पीडीसी बिट आरओपी मॉडेल्सचे मूल्यमापन आणि मॉडेल गुणांकांवर रॉक स्ट्रेंथचा प्रभाव कसा जाणून घ्यावा?

गोषवारा

सध्याच्या कमी तेलाच्या किमतीच्या परिस्थितीने तेल आणि वायू विहिरी खोदण्यात वेळ वाचवण्यासाठी आणि ऑपरेशनल खर्च कमी करण्यासाठी ड्रिलिंग ऑप्टिमायझेशनवर भर दिला आहे. वेगवान ड्रिलिंग प्रक्रियेसाठी रेट ऑफ पेनिट्रेशन (आरओपी) मॉडेलिंग हे ड्रिलिंग पॅरामीटर्स, म्हणजे बिट वजन आणि रोटरी गती ऑप्टिमाइझ करण्यासाठी एक प्रमुख साधन आहे. कादंबरीसह, सर्व-स्वयंचलित डेटा व्हिज्युअलायझेशन आणि आरओपी मॉडेलिंग टूल एक्सेल व्हीबीए, आरओपीप्लॉटरमध्ये विकसित केले गेले आहे, हे कार्य मॉडेल कार्यप्रदर्शन आणि दोन भिन्न पीडीसी बिट आरओपी मॉडेल्सच्या मॉडेल गुणांकांवर रॉकच्या ताकदीचा प्रभाव तपासते: हेरलँड आणि रामपरसाड (1994) आणि मोताहारी इत्यादी. (2010). हे दोघे PDC बिट मॉडेल्सची तुलना बेस केसशी केली जाते, सामान्य आरओपी संबंध बिंगहॅम (1964) द्वारे विकसित केलेल्या तीन वेगवेगळ्या सँडस्टोन फॉर्मेशनमध्ये बाकेन शेल क्षैतिज विहिरीच्या उभ्या विभागात. प्रथमच, अन्यथा समान ड्रिलिंग पॅरामीटर्ससह लिथोलॉजीजची तपासणी करून ROP मॉडेल गुणांकांवर वेगवेगळ्या रॉक ताकदीचा प्रभाव वेगळे करण्याचा प्रयत्न केला गेला आहे. याव्यतिरिक्त, योग्य मॉडेल गुणांक सीमा निवडण्याच्या महत्त्वावर सर्वसमावेशक चर्चा आयोजित केली जाते. हेअरलँड आणि मोताहारीच्या मॉडेलमध्ये रॉक स्ट्रेंथचा समावेश होतो परंतु बिंगहॅममध्ये नाही, मोताहारीच्या मॉडेलसाठी वाढलेल्या RPM टर्म एक्सपोनंट व्यतिरिक्त, पूर्वीच्या मॉडेल्ससाठी स्थिर गुणक मॉडेल गुणांकांची उच्च मूल्ये दर्शवितात. हेअरलँड आणि रॅम्परसॅडचे मॉडेल या विशिष्ट डेटासेटसह तीन मॉडेलपैकी सर्वोत्कृष्ट कामगिरी करताना दाखवले आहे. पारंपारिक ROP मॉडेलिंगची परिणामकारकता आणि लागू करण्यावर प्रश्नचिन्ह निर्माण केले जाते, कारण अशी मॉडेल्स प्रायोगिक गुणांकांच्या संचावर अवलंबून असतात ज्यात अनेक ड्रिलिंग घटकांचा प्रभाव समाविष्ट केला जातो जो मॉडेलच्या फॉर्म्युलेशनमध्ये समाविष्ट नाही आणि विशिष्ट लिथोलॉजीसाठी अद्वितीय आहे.

परिचय

PDC (पॉलीक्रिस्टलाइन डायमंड कॉम्पॅक्ट) बिट्स हे आज तेल आणि वायू विहिरी ड्रिलिंगमध्ये वापरले जाणारे प्रमुख बिट-प्रकार आहेत. बिट कार्यप्रदर्शन सामान्यत: पेनिट्रेशन रेट (ROP) द्वारे मोजले जाते, जे प्रति युनिट वेळेत ड्रिल केलेल्या छिद्राच्या लांबीच्या संदर्भात विहीर किती वेगाने ड्रिल केली जाते हे दर्शवते. ड्रिलिंग ऑप्टिमायझेशन हे अनेक दशकांपासून ऊर्जा कंपन्यांच्या अजेंडामध्ये आघाडीवर आहे आणि सध्याच्या कमी तेलाच्या किमतीच्या वातावरणात याला आणखी महत्त्व प्राप्त झाले आहे (हेरलँड आणि रामपरसॅड, 1994). सर्वोत्तम संभाव्य आरओपी तयार करण्यासाठी ड्रिलिंग पॅरामीटर्स ऑप्टिमाइझ करण्याची पहिली पायरी म्हणजे पृष्ठभागावर ड्रिलिंग दराशी संबंधित मोजमापांशी संबंधित अचूक मॉडेल विकसित करणे.

विशेषत: विशिष्ट बिट प्रकारासाठी विकसित केलेल्या मॉडेल्ससह अनेक ROP मॉडेल्स साहित्यात प्रकाशित करण्यात आली आहेत. या आरओपी मॉडेल्समध्ये विशेषत: अनेक प्रायोगिक गुणांक असतात जे लिथोलॉजीवर अवलंबून असतात आणि ड्रिलिंग पॅरामीटर्स आणि प्रवेशाचा दर यांच्यातील संबंधांचे आकलन कमी करू शकतात. या अभ्यासाचा उद्देश मॉडेलच्या कामगिरीचे विश्लेषण करणे आणि मॉडेल गुणांक वेगवेगळ्या ड्रिलिंग पॅरामीटर्ससह फील्ड डेटाला कसा प्रतिसाद देतात, विशेषत: दोनसाठीPDC बिट मॉडेल्स (हेरलँड आणि रामपरसाड, 1994, मोताहारी एट अल., 2010). मॉडेल गुणांक आणि कार्यक्षमतेची तुलना बेस केस ROP मॉडेल (बिंगहॅम, 1964) बरोबर केली जाते, एक साधा संबंध ज्याने प्रथम ROP मॉडेल म्हणून काम केले जे संपूर्ण उद्योगात मोठ्या प्रमाणावर लागू केले गेले आणि सध्या वापरात आहे. वेगवेगळ्या खडकाच्या सामर्थ्यांसह तीन सँडस्टोन फॉर्मेशनमधील ड्रिलिंग फील्ड डेटाची तपासणी केली जाते आणि या तीन मॉडेलसाठी मॉडेल गुणांकांची गणना केली जाते आणि त्यांची एकमेकांशी तुलना केली जाते. असे मानले जाते की प्रत्येक खडकाच्या निर्मितीमध्ये हेरलँड आणि मोताहारीच्या मॉडेल्सचे गुणांक बिंगहॅमच्या मॉडेल गुणांकापेक्षा विस्तृत श्रेणीत असतील, कारण नंतरच्या फॉर्म्युलेशनमध्ये वेगवेगळ्या खडकाची ताकद स्पष्टपणे लक्षात घेतली जात नाही. मॉडेल कामगिरीचे देखील मूल्यमापन केले जाते, ज्यामुळे नॉर्थ डकोटा मधील बाकेन शेल क्षेत्रासाठी सर्वोत्तम ROP मॉडेल निवडले जाते.

या कामात समाविष्ट असलेल्या आरओपी मॉडेल्समध्ये लवचिक समीकरणे असतात जी काही ड्रिलिंग पॅरामीटर्स ड्रिलिंग दराशी संबंधित असतात आणि त्यात प्रायोगिक गुणांकांचा संच असतो जो हार्ड-टू-मॉडेल ड्रिलिंग यंत्रणेचा प्रभाव एकत्रित करतो, जसे की हायड्रोलिक्स, कटर-रॉक इंटरेक्शन, बिट डिझाइन, तळ-भोक असेंबली वैशिष्ट्ये, चिखल प्रकार आणि छिद्र साफ करणे. जरी हे पारंपारिक आरओपी मॉडेल्स फील्ड डेटाच्या तुलनेत चांगली कामगिरी करत नसले तरी, ते नवीन मॉडेलिंग तंत्रांसाठी एक महत्त्वपूर्ण पायरी देतात. वाढीव लवचिकतेसह आधुनिक, अधिक शक्तिशाली, आकडेवारी-आधारित मॉडेल्स ROP मॉडेलिंगची अचूकता सुधारू शकतात. Gandelman (2012) ने ब्राझीलच्या पूर्व-मीठ खोऱ्यातील तेल विहिरींमध्ये पारंपारिक ROP मॉडेल्सऐवजी कृत्रिम न्यूरल नेटवर्क वापरून ROP मॉडेलिंगमध्ये लक्षणीय वाढ नोंदवली आहे. Bilgesu et al च्या कामांमध्ये आरओपी भविष्यवाणीसाठी कृत्रिम न्यूरल नेटवर्कचा देखील यशस्वीपणे वापर केला जातो. (1997), मोरान आणि इतर. (2010) आणि Esmaeili et al. (2012). तथापि, आरओपी मॉडेलिंगमध्ये अशी सुधारणा मॉडेलच्या व्याख्याक्षमतेच्या खर्चावर येते. म्हणून, पारंपारिक आरओपी मॉडेल अजूनही संबंधित आहेत आणि विशिष्ट ड्रिलिंग पॅरामीटर प्रवेशाच्या दरावर कसा परिणाम करतात याचे विश्लेषण करण्यासाठी एक प्रभावी पद्धत प्रदान करतात.

ROPPlotter, Microsoft Excel VBA (Soares, 2015) मध्ये विकसित केलेले फील्ड डेटा व्हिज्युअलायझेशन आणि ROP मॉडेलिंग सॉफ्टवेअर, मॉडेल गुणांक मोजण्यासाठी आणि मॉडेल कामगिरीची तुलना करण्यासाठी कार्यरत आहे.