Notizia

May 30, 2024

Previsione dei parametri della perforazione di tubi a spirale basata su GAN

Scientific Reports volume 13, Numero articolo: 10875 (2023) Cita questo articolo 266 Accessi 1 Dettagli metriche altmetriche Con il crescente sviluppo della tecnologia di perforazione dei tubi a spirale, il

Rapporti scientifici volume 13, numero articolo: 10875 (2023) Citare questo articolo

266 accessi

1 Altmetrico

Dettagli sulle metriche

Con il crescente sviluppo della tecnologia di perforazione dei tubi a spirale, i vantaggi della tecnologia di perforazione dei tubi a spirale stanno diventando sempre più evidenti. Nel processo di funzionamento del tubo a spirale, a causa di diversi parametri di perforazione, difetti di fabbricazione e manipolazione impropria da parte dell'uomo, il tubo a spirale può arricciarsi e causare perforazioni bloccate o problemi di durata ridotta. La pressione di circolazione, la pressione alla testa del pozzo e il peso totale hanno un'influenza importante sul periodo di lavoro del tubo a spirale. Per la sicurezza della produzione, questo documento prevede la pressione di circolazione, il ROP, la pressione alla testa del pozzo e il peso del dito utilizzando GAN-LSTM dopo aver studiato la teoria dell'ingegneria di perforazione e analizzato una grande quantità di dati del fondo pozzo. I risultati sperimentali mostrano che GAN-LSTM può prevedere in una certa misura i parametri della pressione di circolazione, del ROP della pressione alla testa del pozzo e del peso totale. Dopo un lungo allenamento, la precisione è di circa il 90%, ovvero circa il 17% superiore a quella di GAN e LSTM. Ha un certo significato guida per il funzionamento dei tubi a spirale, aumentando la sicurezza operativa e l'efficienza di perforazione, riducendo così i costi di produzione.

Con il rapido sviluppo della moderna tecnologia di perforazione, i vantaggi della tecnologia di perforazione dei tubi a spirale stanno diventando sempre più evidenti. Il tubo a spirale ha le caratteristiche di elevata resistenza e tenacità nella struttura fisica e presenta anche i vantaggi di elevata mobilità, sicurezza e protezione ambientale. Pertanto, è ampiamente utilizzato nel settore dei servizi di giacimento di petrolio e gas come perforazione, completamento e disboscamento. Poiché il tubo a spirale è relativamente un tipo di tubo flessibile, durante il funzionamento possono verificarsi problemi come arricciamenti e inceppamenti, che innescano la generazione di difetti fisici del tubo a spirale, riducendo così la durata di servizio del tubo a spirale. In questo articolo prevediamo i parametri di perforazione dei tubi continui mediante un algoritmo di deep learning per aumentare la durata dei tubi a spirale, ridurre i costi di produzione e migliorare la produttività del petrolio. C’è una scarsità di ricerche che combinano tecniche di apprendimento automatico con tecniche di perforazione di tubi a spirale. Pertanto, l’integrazione degli algoritmi di deep learning e della tecnologia di perforazione dei tubi a spirale è un processo altamente esplorativo e prezioso. In questo processo, gli algoritmi di deep learning per la previsione dei parametri di perforazione tradizionali devono essere applicati ai metodi di previsione dei parametri di perforazione dei tubi a spirale.

Attualmente, gli algoritmi di deep learning sono ampiamente utilizzati nella perforazione convenzionale. Ad esempio, ANN, modello di rete neurale BP, modello CNN e ACO hanno ottenuto risultati eccellenti nella previsione e ottimizzazione dei parametri di perforazione (le abbreviazioni complete sono dettagliate nella Tabella 1). Dopo aver esaminato le informazioni pertinenti. Shao-Hu Liu et al. ha sviluppato un nuovo modello teorico per il problema secondo cui i tubi a spirale sono soggetti a guasti per fatica sulla bassa circonferenza durante il funzionamento. Con questo modello teorico, si è scoperto che il raggio della bobina, il diametro esterno e la pressione interna sono parametri importanti che influenzano la durata a fatica dei tubi a spirale1. Wanyi Jiang et al. determinato il ROP ottimale combinando una rete neurale artificiale (ANN) e un algoritmo di colonia di formiche (ACO). La validità del ROP ottimale viene quindi testata confrontando la rete neurale regolarizzata bayesiana con il modello Warren modificato da ROP2. Chengxi Li e Chris Cheng hanno applicato il filtro di livellamento Savitzky-Golay (SG) per ridurre il rumore nel set di dati originale. L'IGA viene quindi utilizzato per massimizzare il ROP facendo corrispondere i parametri di input della ANN ottimali e la migliore struttura di rete3 (le abbreviazioni complete sono dettagliate nella Tabella 1). Cao Jie et al. analizzato i valori delle caratteristiche che influenzano il ROP in base alla correlazione delle caratteristiche e all'importanza relativa applicando un approccio di ingegneria delle caratteristiche. Pertanto, i parametri delle funzionalità di input manuale basati sulla correlazione fisica vengono ridotti da 12 a 8, il che semplifica sostanzialmente il modello di rete4. Huang et al. migliorato la robustezza del modello integrando l’algoritmo di ottimizzazione dello sciame di particelle e LSTM in modo che il modello possa adattarsi al complesso modello di variazione della capacità di produzione di petrolio e gas (le abbreviazioni complete sono dettagliate nella Tabella 1). E si è scoperto che le prestazioni di LSTM sono molto più elevate di quelle delle normali reti neurali nei dati di serie temporali5. Liu et al. ha proposto un modello di apprendimento che integra LSTM e un modello empirico integrato e ha utilizzato un algoritmo genetico per determinare gli iperparametri di LSTM, che può migliorare notevolmente l'accuratezza della previsione del modello. I risultati mostrano che il metodo mostra ottime prestazioni di generalizzazione in termini di accuratezza nella previsione della produzione del pozzo6.