Оценка эффективности внедрения технологических решений по повышению качества крепления скважин, разработанных на основе цифровых технологий

Обложка

Цитировать

Полный текст

Аннотация

В статье показан процесс формирования мероприятий на основе цифровых технологий с целью повышения качества цементирования скважин на месторождениях Западной Сибири. Выявлена и решена проблема, связанная с низким качеством входной информации, за счет привлечения нескольких независимых источников. Обоснована экономическая эффективность разработанных методов сокращения трудозатрат на сбор данных для моделирования с использованием алгоритмов машинного обучения. Приведены перспективы сокращения затрат на проведение ремонтно-изоляционных работ в случае внедрения разработанных решений. Представлена ключевая информация по сформированным гипотезам и целям реализации каждой из них. Описана методика анализа результатов опытно-промышленных работ с использованием различных математических алгоритмов. Дана оценка эффективности разработанных решений путем сравнения результатов цементирования опытных скважин и скважин, построенных по базовой технологии. В качестве обобщающего результата приведена динамика роста качества цементирования на месторождениях Западной Сибири. На основе собранной опытной информации скорректированы решения, которые повторно внедряются для окончательной оценки эффективности.

Об авторах

Д. В. Шаляпин

Тюменский индустриальный университет»; Филиал ООО «ЛУКОЙЛ-Инжиниринг» «КогалымНИПИнефть»

Email: Denis.Shalyapin@lukoil.com

Д. Л. Бакиров

ООО «ЛУКОЙЛ-Инжиниринг»

В. Г. Кузнецов

Тюменский индустриальный университет»

Список литературы

  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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

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».