Resumen

La perforación de un pozo de alta presión y alta temperatura (HPHT) entraña muchas dificultades y retos. Una de las mayores dificultades es la pérdida de circulación. Casi el 40% del coste de perforación se atribuye al fluido de perforación, por lo que la pérdida del fluido aumenta considerablemente el coste total de perforación. Existen varios enfoques para evitar la pérdida de retorno; uno de ellos consiste en prevenir la aparición de las pérdidas identificando las zonas de circulación perdida. La mayoría de estos enfoques son difíciles de aplicar debido a algunas limitaciones en el campo. El objetivo de este trabajo es aplicar tres técnicas de inteligencia artificial (IA), a saber, redes funcionales (FN), redes neuronales artificiales (ANN) y lógica difusa (FL), para identificar las zonas de pérdida de circulación. Los parámetros de perforación en superficie en tiempo real de tres pozos se obtuvieron utilizando sensores de perforación en tiempo real. El pozo A se utilizó para entrenar y probar los tres modelos de IA desarrollados, mientras que los pozos B y C se utilizaron para validarlos. Los tres modelos de IA lograron una gran precisión según el error cuadrático medio (RMSE), la matriz de confusión y el coeficiente de correlación (R). Todos los modelos de IA identificaron las zonas de pérdida de circulación en el pozo A con gran precisión, con un R superior a 0,98 y un RMSE inferior a 0,09. La RNA es el modelo más preciso, con un R superior a 0,98 y un RMSE inferior a 0,09. La RNA es el modelo más preciso con R=0,99 y RMSE=0,05. La RNA fue capaz de predecir las zonas de pérdida de circulación en los pozos B y C, que no se habían visto, con R=0,946 y RMSE=0,165 y R=0,952 y RMSE=0,155, respectivamente.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:zonas de circulación, modelos ai, ann, pérdida, tiempo parámetros de perforación superficial, redes neuronales artificiales, tiempo sensores de perforación, coste total de perforación, rmse, enfoques
• Keywords:circulation zones, ai models, ann, loss, time surface drilling parameters, artificial neural networks, time drilling sensors, total drilling cost, rmse, approaches