सारांश
तेलाच्या सध्याच्या कमी किमतीच्या परिस्थितीमुळे तेल आणि वायू विहिरींच्या ड्रिलिंगमध्ये लागणारा वेळ वाचवण्यासाठी आणि कार्यान्वयन खर्च कमी करण्यासाठी ड्रिलिंग ऑप्टिमायझेशनवर पुन्हा भर दिला जात आहे. जलद ड्रिलिंग प्रक्रियेसाठी बिटचे वजन आणि रोटरी स्पीड यांसारख्या ड्रिलिंग पॅरामीटर्सना ऑप्टिमाइझ करण्याकरिता रेट ऑफ पेनिट्रेशन (ROP) मॉडेलिंग हे एक महत्त्वाचे साधन आहे. एक्सेल व्हीबीए (Excel VBA) मध्ये विकसित केलेल्या ROPPlotter नावाच्या एका नवीन, पूर्णपणे स्वयंचलित डेटा व्हिज्युअलायझेशन आणि ROP मॉडेलिंग टूलच्या साहाय्याने, या कामामध्ये दोन वेगवेगळ्या PDC बिट ROP मॉडेल्सच्या मॉडेल कामगिरीचा आणि खडकाच्या मजबुतीचा मॉडेल गुणांकांवर होणाऱ्या परिणामाचा अभ्यास केला आहे: हरेलँड आणि रामपरसाद (१९९४) आणि मोताहारी इत्यादी (२०१०). PDC बिट बॅकेन शेलच्या क्षैतिज विहिरीच्या उभ्या छेदात, तीन वेगवेगळ्या वालुकाश्म रचनांमध्ये, बिंगहॅम (१९६४) यांनी विकसित केलेल्या एका आधारभूत, सामान्य ROP संबंधाच्या तुलनेत मॉडेल्सची तुलना केली जाते. इतर ड्रिलिंग पॅरामीटर्स समान असलेल्या खडक रचनांचा अभ्यास करून, खडकाच्या बदलत्या मजबुतीचा ROP मॉडेल गुणांकांवरील परिणाम वेगळा करण्याचा प्रयत्न प्रथमच करण्यात आला आहे. याव्यतिरिक्त, योग्य मॉडेल गुणांक मर्यादा निवडण्याच्या महत्त्वावर एक सविस्तर चर्चा केली आहे. खडकाची मजबुती, जी हरलँड आणि मोताहारी यांच्या मॉडेल्समध्ये विचारात घेतली आहे, परंतु बिंगहॅमच्या मॉडेलमध्ये नाही, त्यामुळे पूर्वीच्या मॉडेल्ससाठी स्थिर गुणक मॉडेल गुणांकांची उच्च मूल्ये मिळतात, तसेच मोताहारी यांच्या मॉडेलसाठी RPM पद घातांक वाढतो. या विशिष्ट डेटासेटसह, हरलँड आणि रामपरसाद यांचे मॉडेल तिन्ही मॉडेल्सपैकी सर्वोत्तम कामगिरी करते असे दिसून आले आहे. पारंपारिक ROP मॉडेलिंगची परिणामकारकता आणि उपयोज्यता यावर प्रश्नचिन्ह निर्माण होते, कारण अशी मॉडेल्स अनुभवजन्य गुणांकांच्या अशा संचावर अवलंबून असतात, ज्यात मॉडेलच्या सूत्रीकरणात विचारात न घेतलेल्या आणि विशिष्ट शिलास्तरासाठी अद्वितीय असलेल्या अनेक ड्रिलिंग घटकांचा प्रभाव समाविष्ट असतो.
प्रस्तावना
आज तेल आणि वायू विहिरींच्या खोदकामात PDC (पॉलीक्रिस्टलाइन डायमंड कॉम्पॅक्ट) बिट्स हा प्रमुख बिट प्रकार वापरला जातो. बिटची कार्यक्षमता सामान्यतः रेट ऑफ पेनिट्रेशन (ROP) द्वारे मोजली जाते, जे प्रति युनिट वेळेत खोदलेल्या छिद्राच्या लांबीच्या संदर्भात विहीर किती वेगाने खोदली जात आहे याचे सूचक आहे. ड्रिलिंग ऑप्टिमायझेशन हे अनेक दशकांपासून ऊर्जा कंपन्यांच्या अजेंड्यावर अग्रस्थानी राहिले आहे आणि सध्याच्या कमी तेलाच्या किमतीच्या वातावरणात त्याचे महत्त्व आणखी वाढले आहे (हेरलँड आणि रामपरसाद, १९९४). सर्वोत्तम संभाव्य ROP मिळवण्यासाठी ड्रिलिंग पॅरामीटर्सना ऑप्टिमाइझ करण्यामधील पहिली पायरी म्हणजे पृष्ठभागावर मिळालेल्या मोजमापांना ड्रिलिंग दराशी जोडणारे एक अचूक मॉडेल विकसित करणे.
साहित्यामध्ये अनेक ROP मॉडेल्स प्रकाशित झाले आहेत, ज्यात विशेषतः एका विशिष्ट बिट प्रकारासाठी विकसित केलेल्या मॉडेल्सचाही समावेश आहे. या ROP मॉडेल्समध्ये सामान्यतः अनेक अनुभवजन्य गुणांक असतात जे खडकाच्या प्रकारावर अवलंबून असतात आणि त्यामुळे ड्रिलिंग पॅरामीटर्स व वेधन दर यांच्यातील संबंध समजण्यास अडथळा येऊ शकतो. या अभ्यासाचा उद्देश दोन वेगवेगळ्या ड्रिलिंग पॅरामीटर्स, विशेषतः खडकाची मजबुती, वापरून मॉडेलची कार्यक्षमता तपासणे आणि क्षेत्रीय माहितीला (फील्ड डेटा) मॉडेलचे गुणांक कसे प्रतिसाद देतात याचे विश्लेषण करणे आहे.PDC बिट मॉडेल्स (हेरलँड आणि रामपरसाद, १९९४, मोताहारी इत्यादी, २०१०). मॉडेलचे गुणांक आणि कार्यक्षमता यांची तुलना एका मूळ ROP मॉडेलशी (बिंगहॅम, १९६४) देखील केली जाते. हे एक सोपे समीकरण आहे, जे उद्योगात मोठ्या प्रमाणावर वापरले गेलेले आणि आजही वापरात असलेले पहिले ROP मॉडेल ठरले. खडकांची ताकद वेगवेगळी असलेल्या तीन वालुकाश्म थरांमधील ड्रिलिंग फील्ड डेटाचा अभ्यास केला जातो आणि या तीन मॉडेल्सचे गुणांक मोजून त्यांची एकमेकांशी तुलना केली जाते. असे गृहीत धरले आहे की प्रत्येक खडक थरामध्ये हेरलँड आणि मोताहारी यांच्या मॉडेल्सचे गुणांक, बिंगहॅमच्या मॉडेलच्या गुणांकांपेक्षा अधिक विस्तृत श्रेणीत असतील, कारण नंतरच्या सूत्रात खडकांच्या बदलत्या ताकदीचा स्पष्टपणे विचार केलेला नाही. मॉडेलच्या कार्यक्षमतेचे मूल्यांकन देखील केले जाते, ज्यामुळे नॉर्थ डकोटातील बॅकेन शेल प्रदेशासाठी सर्वोत्तम ROP मॉडेलची निवड करता येते.
या कामात समाविष्ट असलेल्या ROP मॉडेल्समध्ये काही ड्रिलिंग पॅरामीटर्सना ड्रिलिंग दराशी जोडणारी ताठर समीकरणे आहेत आणि त्यात अनुभवजन्य गुणांकांचा एक संच आहे, जो हायड्रॉलिक्स, कटर-रॉक इंटरॅक्शन, बिट डिझाइन, बॉटम-होल असेंब्लीची वैशिष्ट्ये, मडचा प्रकार आणि होल क्लीनिंग यांसारख्या मॉडेल करण्यास कठीण असलेल्या ड्रिलिंग यंत्रणांचा प्रभाव एकत्रित करतो. जरी हे पारंपरिक ROP मॉडेल्स फील्ड डेटाच्या तुलनेत सामान्यतः चांगली कामगिरी करत नसले तरी, ते नवीन मॉडेलिंग तंत्रांसाठी एक महत्त्वाचा टप्पा ठरतात. वाढीव लवचिकतेसह आधुनिक, अधिक शक्तिशाली, सांख्यिकी-आधारित मॉडेल्स ROP मॉडेलिंगची अचूकता सुधारू शकतात. गँडेलमन (२०१२) यांनी ब्राझीलच्या किनाऱ्याजवळील प्री-सॉल्ट बेसिनमधील तेल विहिरींमध्ये पारंपरिक ROP मॉडेल्सऐवजी कृत्रिम न्यूरल नेटवर्क्सचा वापर करून ROP मॉडेलिंगमध्ये लक्षणीय वाढ झाल्याचे नोंदवले आहे. बिल्गेसू इत्यादी (१९९७), मोरान इत्यादी (२०१०) आणि इस्माईली इत्यादी (२०१२) यांच्या कामांमध्ये ROP अंदाजासाठी कृत्रिम न्यूरल नेटवर्क्सचा यशस्वीपणे वापर केला गेला आहे. तथापि, ROP मॉडेलिंगमधील अशी सुधारणा मॉडेलच्या अर्थबोधकतेच्या किंमतीवर येते. त्यामुळे, पारंपरिक ROP मॉडेल्स अजूनही सुसंगत आहेत आणि एखादा विशिष्ट ड्रिलिंग पॅरामीटर वेधन दरावर कसा परिणाम करतो याचे विश्लेषण करण्यासाठी एक प्रभावी पद्धत प्रदान करतात.
मॉडेल गुणांकांची गणना करण्यासाठी आणि मॉडेलच्या कामगिरीची तुलना करण्यासाठी ROPPlotter, एक Microsoft Excel VBA मध्ये विकसित केलेले फील्ड डेटा व्हिज्युअलायझेशन आणि ROP मॉडेलिंग सॉफ्टवेअर (Soares, 2015) वापरले जाते.
पोस्ट करण्याची वेळ: ०१-सप्टेंबर-२०२३