مناقشة رسالة ماجستير بقسم هندسة النفط

جرت بقسم هندسة النفط مناقشة رسالة الماجستير الموسومة

نماذج ذكية للكشف والتنبؤ بأحداث فقدان السوائل أثناء عمليات الحفر في حقول النفط العراقية

لطالب الماجستير امين كريم صالح وذلك يوم الخميس 6-10-2022 في قاعة المناقشات بقسم هندسة النفط.

تألفت لجنة المناقشة من الذوات

ا.د محمد صالح الجواد من جامعة بغداد- كلية الهندسة- قسم هندسة النفط- رئيسا

ا.م.د. محمد عبد الأمير عبدالنبي- جامعة ميسان- قسم هندسة النفط – عضوا

م.د عمر فالح حسن من جامعة بغداد- كلية الهندسة- قسم هندسة النفط- عضوا

ا.م.د حسن عبد الهادي عبدالحسين من جامعة بغداد- كلية الهندسة- قسم هندسة النفط عضوا و مشرفا

وبعد مناقشة الطالب والاستماع لدفاعه وتقييم مستوى الرسالة، منح الطالب درجة الماجستير بهندسة النفط  

ادناه ملخص الرسالة باللغة العربية يعتبر فقدان سائل الحفر في تكوينات الدمام والهارثة والشعيبة من أهم المشاكل التي حدثت أثناء عمليات الحفر في حقل الرميلة النفطي. إنه مرتبط بمشاكل أخرى أكبر وأكثر تعقيدًا بما في ذلك عصيان الأنابيب أو الرفسة وإغلاق البئر أخيرًا ، وتمثل حوالي 46 في المائة من الوقت غير المنتج في حقل الرميلة النفطي. نمذجة أحداث فقدان السوائل في هذه التكوينات هي التحدي الرئيسي لتقليل المخاطر السابقة.

في هذه الدراسة ، العديد من نماذج التعلم الآلي الخاضعة للإشراف ، وهي multi-linear regression, K-nearest neighbors, support vector machines SVM-linear, SVM-Poly, and SVM-RBF), decision tree, random forest, extra trees, and two artificial neural networks

لإكمال عملية التدريب بناءً على معايير الحفر وخصائص سوائل الحفر مثل (equivalent circulating density, yield point, plastic viscosity, rate of penetration, weight on bit, revolutions per minute, Stroke per minute, flow rate, and losses rate الذي تم جمعه من 105 بئراً عانت من هذه المشكلة في حقل الرميلة النفطي في جنوب العراق للتنبؤ بأحداث خسائر سائل الحفر في هذا الحقل.

أظهرت النتائج أنه بعد تطبيق هذه النماذج للتنبؤ بأحداث خسائر جديدة في 8 آبار من البيانات غير المرئية ، لم يكن لدى النماذج أي معلومات سابقة عنها ، كانت نماذج extra trees, random forest, SVM-poly, and ANN هي أفضل نموذج مع دقة R² يساوي 0.9759 و 0.963 و 0.9546 و 0.9493 على التوالي. كانت هذه النماذج قادرة على التنبؤ بكل أنواع أحداث التدوير المفقودة بدقة عالية. كان العامل الأكثر أهمية الذي أثر على فقدان سائل الحفر باستخدام نماذج decision tree, random forest, and extra tree هو كثافة التدوير المكافئة (ECD) مما يعني أنه من خلال إدارة قيمة العناصر الأكثر أهمية التي تخلق هذه المشكلة ، فمن الممكن منع أو تقليل فرصة حدوث هذه المشكلة.

أهدف الدراسة

الهدف الرئيسي من هذه الدراسة هو بناء عدد من نماذج الذكاء الاصطناعي من أجل التنبؤ بأحداث خسائر سائل الحفر في حقل الرميلة النفطي. يمكن تلخيص الأهداف الأخرى في النقاط المذكورة أدناه:

1. ستساعد هذه النماذج العاملين في الحفر على إعداد العلاجات قبل دخول منطقة الخسائر بالإضافة إلى تعديل معلمات الحفر الرئيسية لتجنب أو على الأقل تخفيف الخسائر كنهج استباقي.
2. تم تطبيق هذه النماذج للحصول على فهم أعمق للعلاقات بين معدل الخسائر ومتغيرات الحفر الأخرى.
3. تحديد أهم العوامل التي تؤثر على أحداث خسائرسائل الحفر والتي تعني إمكانية منع أو تقليل احتمالية حدوث هذه المشكلة من خلال التحكم في قيمة أهم العوامل المسببة لهذه المشكلة.
4. دراسة تأثير معاملات عملية الحفر وخصائص مائع الحفر على شدة الخسارة.

الاستنتاجات

• خلال هذا العمل ، تم بناء العديد من نماذج تعلم الالة الخاضعة للإشراف للتنبؤ بفقدان سائل الحفر في حقل الرميلة النفطي ، حيث تم استخدام بيانات خصائص مائع الحفر ومعلمات الحفر لـ 97 بئراً لبناء واختبار هذه النماذج و 8 آبار للتنفيذ هذه النماذج للتنبؤ بأحداث خسائر مائع الحفر.
• أفضل النماذج كانت ET و RF و SVM-Poly و ANN ، مع التحقق من R2 يساوي 0.9759 و 0.963 و 0.9546 و 0.9493 على التوالي. ويرجع ذلك إلى قدرتها على التعامل مع البيانات المعقدة مثل بيانات حفر آبار النفط.
• كان البحث الشبكي Grid search طريقة فعالة لاختيار الـ Hyperparameters لكل نموذج ، مما يجعل بناء النموذج أبسط وأكثر دقة.
• كانت تقنية التوقف المبكرEary stop technique تقنية جيدة أوقفت عملية التدريب بدقة عالية في فترة قصيرة دون الاعتماد على عدد محدد من التكرارات.
• إن أهم عامل مؤثر في عملية فقد سائل الحفر هو كثافة التدوير المكافئة (ECD) ، مما يعني إمكانية منع أو تقليل احتمالية حدوث هذه المشكلة عن طريق تقليل قيمة العامل الأكثر أهمية الذي يسبب هذه المشكلة.

التوصيات

التوصيات التالية ضرورية لأي عمل مستقبلي:

• يمكن دراسة المزيد من المدخلات المستخدمة في بناء الموديل ، مثل الخصائص البتروفيزيائية (المسامية ، والنفاذية ، وتشبع السوائل وتوزيعها) والخصائص الجيوميكانيكية (نسبة بواسون ، إجمالي الحد الأدنى من الإجهاد الأفقي ، ومعامل يونكـ ، ومعامل القص) للصخور التي قد تحدث خسائر في سائل الحفر وتظهر آثارها على معدل الخسائر ودقة النماذج.
• استخدام تقنيات الذكاء الاصطناعي الهجينة التي تعطي نتائج تنبؤية تكميلية وتحسن القدرة الكلية للتقنية المختارة.
• يوصى بعدم استخدام النوزلات أثناء حفر تكوينات الدمام والهارثة والشعيبة لعدة أسباب ، بما في ذلك تقليل سرعة النفاثة على التكوين ، والحد من الوقت غير الإنتاجي (NPT) ، واستخدام أي نوع من دوران الخسارة الطين (LCMs) ، ومنع انسداد الفتحات.