An evaluation of the effectiveness of implementing technological solutions based on digital technologies to improve well casing quality

Cover Page

Cite item

Full Text

Abstract

The article presents the process of forming measures based on digital technologies to improve the quality of well cementing at the fields of Western Siberia. The problem associated with the low quality of input information due to the use of several independent sources was identified and solved. The economic efficiency of the developed methods for reducing the labour costs of data collection for modelling using machine learning algorithms is demonstrated. If the solutions developed are implemented, there is a prospect of reducing the cost of repair and insulation work. Key information is provided about the hypotheses generated and their objectives. The authors of the article describe the method of using various mathematical algorithms to analyze the results of industrial experimental work. The efficiency of the developed solutions is evaluated by comparing the results of cementing experimental wells and wells built using the basic technology. The dynamics of cement quality growth in the fields of Western Siberia are summarised as a general result. As a result of the experience gained, the solutions have been adapted and are in the process of being re-implemented in order to make a final assessment of their effectiveness.

About the authors

D. V. Shalyapin

Industrial University of Tyumen; KogalymNIPIneft Branch of LUKOIL-Engineering LLC

Email: Denis.Shalyapin@lukoil.com

D. L. Bakirov

LUKOIL-Engineering LLC

V. G. Kuznetsov

Industrial University of Tyumen

References

  1. Оптимизация технико-технологических решений для строительства сложнопрофильных скважин / Д. Л. Бакиров, Э. В. Бабушкин, В. А. Бурдыга. – doi: 10.30713/0207-2351-2019-8(608)-39-44. – Текст : непосредственный // Нефтепромысловое дело. – 2019. – № 8 (608). – С. 39–44.
  2. Оптимизация затрат на бурение и обустройство месторождения в условиях геологической неопределенности / Д. Л. Бакиров, М. М. Фаттахов, Я. И. Баранников. – doi: 10.30713/0130-3872-2018-10-22-28. – Текст : непосредственный // Строительство нефтяных и газовых скважин на суше и на море. – 2018. – № 10. – С. 22–28.
  3. Галкин, В. И. Статистическое моделирование расширяющегося тампонажного состава / В. И. Галкин, А. А. Куницких. – doi: 10.15593/2224-9923/2017.3.2. – Текст : непосредственный // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. – 2017. – Т. 16, № 3. – С. 215–224.
  4. Development and Characterization of Smart Cement for Real Time Monitoring of Ultra-Deepwater Oil Well Cementing Applications / C. Vipulanandan, R. Krishnamoorti, R. Saravanan. – Text : electronic // Offshore Technology Conference, Texas, USA, 5–8 May, 2014. – URL: https://doi.org/10.4043/25099-MS. – Published: May, 05, 2014.
  5. Application of Machine Learning to accidents detection at directional drilling / E. Gurina, N. Klyuchnikov, A. Zaytsev. – Text : electronic // Journal of Petroleum Science and Engineering. – 2020. – Vol. 184. – URL: https://doi.org/10.1016/j.petrol.2019.106519.
  6. Machine Learning as New Approach for Dogleg Severity Prediction / A. Fakhrylgayanov, A. A. J. Soh, A. Osman. – Text : electronic // SPE/IADC Middle East Drilling Technology Conference and Exhibition, Abu Dhabi, UAE, 25–27 May, 2021. – URL: https://doi.org/10.2118/202160-MS.
  7. Using Drilling and Logging Data for Developing 1D Mechanical Earth Model for a Mature Oil Field to Predict and Mitigate Wellbore Stability Challenges / M. Afsari, M. Amani, S. M. Razmgir// International Oil and Gas Conference and Exhibition in China, Beijing, China, 8–10 June, 2010. – URL: https://doi.org/10.2118/132187-MS. – Published: June, 08, 2010.
  8. Совершенствование методики анализа данных по креплению скважин / Д. В. Шаляпин, Д. Л. Бакиров, М. М. Фаттахов, В. Г. Кузнецов. – doi: 10.33285/0130-3872-2022-5(353)-36-39.– Текст : непосредственный // Строительство нефтяных и газовых скважин на суше и на море. – 2022. – № 5 (353). – С. 36–39.
  9. Применение методов машинного обучения для повышения качества крепления скважин / Д. В. Шаляпин, Д. Л. Бакиров, М. М. Фаттахов. – doi: 10.31660/0445-0108-2020-5-81-93. – Текст : непосредственный // Известия высших учебных заведений. Нефть и газ. – 2020. – № 5. – С. 81–93.
  10. Исследование фактической информации по креплению скважин с применением машинного обучения и нейронных сетей / Д. В. Шаляпин, Д. Л. Бакиров, М. М. Фаттахов. – doi: 10.31660/0445-0108-2021-3-108-119. – Текст : непосредственный // Известия высших учебных заведений. Нефть и газ. – 2021. – № 3 (147). – С. 108–119.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».