Hole cleaning assessment in horizontal foam drilling using artificial neural network and multiple linear regression
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,827
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
RESERVOIR02_020
تاریخ نمایه سازی: 11 خرداد 1392
چکیده مقاله:
Foam drilling is increasingly used to develop low pressure reservoir or highly depleted mature reservoirs because of minimizing the formation damage and potential hazardous drilling problems. Prediction of the cuttings concentration in the wellbore annulus as a function of operational drilling parameters such as wellbore geometry, pumping rate, drilling fluid rheology and density, and maximum drilling rate is very important for optimizing these parameters. This paper describes a simple and more reliable artificial neural network (ANN) method and multiple linear regression (MLR) to predict cuttings concentration during foam drilling operation. This model is applicable for various borehole conditions using some critical parameters associated with foam velocity, foam quality, hole geometry, subsurface condition (pressure and temperature), and pipe rotation. The average absolute percent relative error (AAPE) between the experimental cuttings concentration and ANN model is less than 6%, and using MLR, AAPE is less than 9%. A comparison of the ANN and mechanistic model was done. The AAPE values for all datasets in this study were 3.2 % and 10.3 % for ANN model and mechanistic model respectively
کلیدواژه ها:
نویسندگان
R Rooki
PhD student of Mining Engineering, Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology, Shahrood, Iran
F Doulati Ardejani
Professor, Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology,Shahrood, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :