Notícias

May 30, 2024

Previsão de parâmetros de perfuração de flexitubo com base em GAN

Scientific Reports volume 13, Artigo número: 10875 (2023) Citar este artigo 266 Acessos 1 Detalhes da Altmetric Metrics Com o crescente desenvolvimento da tecnologia de perfuração de coiled tubing, o

Scientific Reports volume 13, Artigo número: 10875 (2023) Citar este artigo

266 acessos

1 Altmétrico

Detalhes das métricas

Com o crescente desenvolvimento da tecnologia de perfuração de flexitubo, as vantagens da tecnologia de perfuração de flexitubo estão se tornando cada vez mais óbvias. No processo de operação do flexitubo, devido a vários parâmetros de perfuração diferentes, defeitos de fabricação e manuseio humano inadequado, o flexitubo pode enrolar e causar perfuração presa ou problemas de vida útil reduzida. A pressão de circulação, a pressão da cabeça do poço e o peso total têm uma influência importante no período de trabalho do flexitubo. Para segurança da produção, este artigo prevê pressão de circulação, ROP, pressão da cabeça do poço e peso do dedo usando GAN – LSTM após estudar a teoria da engenharia de perfuração e analisar uma grande quantidade de dados de fundo de poço. Os resultados experimentais mostram que o GAN – LSTM pode prever os parâmetros de pressão de circulação, pressão da cabeça do poço ROP e peso total até certo ponto. Depois de muito treinamento, a precisão é de cerca de 90%, cerca de 17% maior que a do GAN e do LSTM. Tem certo significado orientador para a operação de flexitubo, aumentando a segurança operacional e a eficiência de perfuração, reduzindo assim os custos de produção.

Com o rápido desenvolvimento da moderna tecnologia de perfuração, as vantagens da tecnologia de perfuração de flexitubo estão se tornando cada vez mais óbvias. O flexitubo possui características de alta resistência e tenacidade na estrutura física, além de apresentar vantagens de alta mobilidade, segurança e proteção ambiental. Portanto, é amplamente utilizado na indústria de serviços de campo de petróleo e gás, como perfuração, completação e perfilagem. Como o flexitubo é relativamente um tipo de mangueira, problemas como enrolamento e emperramento podem ocorrer durante a operação, desencadeando a geração de defeitos físicos do flexitubo, reduzindo assim a vida útil do flexitubo. Neste artigo, prevemos os parâmetros de perfuração de tubos contínuos por algoritmo de aprendizado profundo para aumentar a vida útil do flexitubo, reduzir o custo de produção e melhorar a produtividade do petróleo. Há uma escassez de pesquisas combinando técnicas de aprendizado de máquina com técnicas de perfuração de coiled tubing. Portanto, a integração de algoritmos de aprendizagem profunda e tecnologia de perfuração de flexitubo é um processo altamente exploratório e valioso. Neste processo, algoritmos de aprendizagem profunda para previsão de parâmetros de perfuração tradicionais precisam ser aplicados aos métodos de previsão de parâmetros de perfuração de flexitubo.

Atualmente, algoritmos de aprendizagem profunda são amplamente utilizados na perfuração convencional. Por exemplo, RNA, modelo de rede neural BP, modelo CNN e ACO alcançaram excelentes resultados na previsão e otimização de parâmetros de perfuração (as abreviaturas completas estão detalhadas na Tabela 1). Depois de revisar as informações relevantes. Shao-Hu Liu et al. desenvolveram um novo modelo teórico para o problema de que o flexitubo é propenso a falhas por fadiga de baixa circunferência durante a operação. Com este modelo teórico, descobriu-se que o raio da bobina, o diâmetro externo e a pressão interna são parâmetros importantes que afetam a vida à fadiga do flexitubo1. Wanyi Jiang et al. determinou o ROP ideal combinando uma rede neural artificial (RNA) e um algoritmo de colônia de formigas (ACO). A validade do ROP ideal é então testada comparando a rede neural regularizada Bayesiana com o modelo de Warren modificado pelo ROP2. Chengxi Li e Chris Cheng aplicaram o filtro de suavização Savitzky-Golay (SG) para reduzir o ruído no conjunto de dados original. O IGA é então usado para maximizar o ROP combinando os parâmetros de entrada ideais da RNA e a melhor estrutura de rede3 (as abreviaturas completas estão detalhadas na Tabela 1). Cao Jie et al. analisou os valores de recursos que afetam o ROP com base na correlação de recursos e na importância relativa, aplicando uma abordagem de engenharia de recursos. Assim, os parâmetros do recurso de entrada manual baseados na correlação física são reduzidos de 12 para 8, o que simplifica substancialmente o modelo de rede4. Huang et al. melhorou a robustez do modelo integrando o algoritmo de otimização de enxame de partículas e LSTM para que o modelo possa se adaptar ao complexo padrão de variação da capacidade de produção de petróleo e gás (as abreviaturas completas estão detalhadas na Tabela 1). E descobriu-se que o desempenho do LSTM é muito superior ao das redes neurais comuns em dados de séries temporais5. Liu et al. propuseram um modelo de aprendizagem que integra LSTM e um modelo empírico integrado e usou um algoritmo genético para determinar os hiperparâmetros de LSTM, o que pode melhorar muito a precisão da previsão do modelo. Os resultados mostram que o método apresenta um desempenho de generalização muito bom em termos de precisão na previsão da produção de poços6.