Resumen

Las tensiones principales mínimas de las formaciones de fondo de pozo incluyen la tensión horizontal mínima (σmin) y la tensión horizontal máxima (σmax). σmin y σmax son parámetros sustanciales que afectan significativamente al diseño y la optimización del proceso de perforación. Estas tensiones pueden estimarse utilizando ecuaciones teóricas, además de algunas pruebas de campo, por ejemplo, la prueba de fugas para incluir el efecto de la tensión tectónica. Este enfoque está asociado a muchos problemas técnicos y financieros. Por lo tanto, el objetivo de este estudio es proporcionar una solución novedosa basada en el aprendizaje automático para estimar estas tensiones durante la perforación. En primer lugar, se desarrollaron nuevos modelos mediante redes neuronales artificiales (RNA) para predecir directamente σmin y σmax a partir de los datos de perforación, que son la velocidad de inyección (Q), la presión de la tubería vertical (SPP), el peso sobre la broca (WOB), el par de torsión (T) y la velocidad de penetración (ROP). Estos datos están siempre disponibles durante la perforación y, por tanto, no requieren ningún coste adicional. Se recogieron datos reales de un yacimiento de Oriente Medio, se analizaron estadísticamente y se introdujeron en los modelos. En primer lugar, las predicciones de los modelos mostraron una coincidencia significativa con los valores de tensión reales, con un coeficiente de correlación (valor R) superior a 0,90 y un error medio absoluto (MAPE) de 0,75 s como máximo. En segundo lugar, se generaron nuevas ecuaciones empíricas basadas en los modelos desarrollados basados en RNA. A continuación, las nuevas ecuaciones se validaron utilizando otro conjunto de datos no visto del mismo campo. Las predicciones tenían un valor R de 0,98 y 0,93, además de un MAPE de 0,36 y 0,96 para los modelos σmin y σmax, respectivamente. Los resultados demostraron el rendimiento superior de las ecuaciones basadas en RNA desarrolladas para estimar las tensiones principales mínimas a partir de los datos de perforación con alta precisión de una manera oportuna y económicamente eficaz.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:tensión principal mínima, datos de perforación, ann desarrollado, valor de tensión real, velocidad de penetración, tensión de fondo de pozo, error medio absoluto, nueva ecuación empírica, aprendizaje automático novedoso, campo de Oriente Medio
• Keywords:least principal stress, drilling data, developed ann, actual stress value, rate of penetration, stress of downhole, absolute average error, new empirical equation, novel machine learning, middle eastern field