Hole cleaning assessment in horizontal foam drilling using artificial neural network and multiple linear regression
- سال انتشار: 1392
- محل انتشار: دومین همایش علمی مهندسی مخازن هیدروکربوری، علوم و صنایع مرتبط
- کد COI اختصاصی: RESERVOIR02_020
- زبان مقاله: انگلیسی
- تعداد مشاهده: 1907
نویسندگان
PhD student of Mining Engineering, Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology, Shahrood, Iran
Professor, Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology,Shahrood, Iran
چکیده
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 respectivelyکلیدواژه ها
Hole cleaning, Foam drilling, ANN, MLRمقالات مرتبط جدید
- پتانسیل کانیزایی و تشکیل بوکسیت در برگه علیآباد شمال استان سمنان
- کاربرد تلفیق تصاویر اپتیکال و راداری در بارزسازی سنگهای دگرسان شده و اکتشاف کانسارهای معدنی: مطالعات موردی از مصر، اندونزی و ایران
- شناسایی تاثیر لاگ های ژئو فیزیکی دراکتشافات نفت با تاکید بر چالش های تولید نفت در آب های عمیق تضمین جریان
- مروری بر مهندسی محیط زیست، توسعه پایدار، تجارت بین الملل و مدیریت منابع
- نقش هوش مصنوعی در ارتقای بهرهوری صنعت سنگ های ساختمانی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.