Đang tải... (xem toàn văn)
Journal of Mining and Earth Sciences Vol 62, Issue 3a (2021) 37 - 47 37 Use of Artificial Neural Networks in predicting rate of penetration and optimization weight on bit for several wells in Nam Rong - Doi Moi field, Vietnam Hung Tien Nguyen 1,* , Duong Hong Vu 1 , Vinh The Nguyen 1 , Doan Thi Tram 1 , Pham Van Trung 2 1 Hanoi University of Mining and Geology, Hanoi, Vietnam 2 PVEP, Hanoi, Vietnam ARTICLE INFO ABSTRACT Article history: Received 07 th Feb 2021 Revised 16 th May 2021 Accepted 16 th Ju ne 2021 Obtaining the maximum Rate of Penetration (ROP) by optimization of drilling parameters is the aim of every drilling engineer This helps to save time, reduce s cost and minimize s drilling problems Since ROP depends on a lot of parameters , it is very difficult to predict it correctly Therefore, it is necessary and important to investigate a solution for predicting ROP with high accuracy in order to determine the suitable drilling parameters In this stud y, a new approach using Artificial Neural Network (ANN) has been proposed to predict ROP from real - time drilling data of several wells in Nam Rong - Doi Moi field with more than 900 datasets included important parameters such as weight on bit (WOB), weig ht of mud (MW), rotary speed (RPM), stand pipe pressure (SPP), flow rate (FR), torque (TQ) In the process of training the network, algorithms and the number of neurons in the hidden layer were varied to find the optimal model The ANN model shows high acc uracy when comparing to actual ROP, therefore it can be recommended as an effective and suitable method to predict ROP of other wells in research area Besides, base on the proposed ANN model, authors carried out experiments and determine the optimal weigh t on bit value for the drilling interval from 1800 to 2300 m of wells in in Nam Rong Doi Moi field Copyright © 2021 Hanoi University of Mining and Geology All rights reserved Keywords: Artificial Neural Network, Nam Rong - Doi Moi field Optimization drilling parameters, Rate of Penetration, _____________________ * Corresponding author E - mail: nguyentienhung dk@humg edu vn DOI: 10 46326/JMES 2021 62(3a) 0 5 38 T ạ p chí Khoa h ọ c K ỹ thu ậ t M ỏ - Đị a ch ấ t T ậ p 62, K ỳ 3a (2021) 37 - 47 Ứ ng d ụ ng m ạng nơ -ron nhân t ạ o (ANN) d ự báo t ốc độ cơ họ c khoan và đề xu ấ t giá tr ị t ả i tr ọ ng lên choòng t ối ưu cho các giế ng khoan d ầ u khí t ạ i m ỏ Nam R ồ ng - Đồ i M ồ i, Vi ệ t Nam Nguy ễ n Ti ế n Hùng 1,* , Vũ Hồng Dương 1 , Nguy ễ n Th ế Vinh 1 , Doãn Th ị Trâm 1 , Nguy eች n VaǍ n Trung 2 1 Khoa D ầu khí, Trường Đạ i h ọ c M ỏ - Đị a ch ấ t, Hà Nội, Vi ệ t Nam 2 D ự án block 01&02 t ạ i công ty PVEP, Hà Nội, Vi ệ t Nam THÔNG TIN BÀI BÁO TÓM T Ắ T Quá trình: Nh ận bài 07/02/2021 Sửa xong 16/ 0 5/2021 Cha�p nhận đăng 16 / 0 6 /2021 Nâng cao t ố c đ ộ cơ h ọ c khoan giúp nâng cao hi ệ u qu ả khoan, gi ả m thi ể u nguy cơ ph ứ c t ạ p s ự c ố , th ờ i gian thi công và giá thành ph ả n ph ẩ m T ố c đ ộ cơ h ọ c khoan ph ụ thu ộ c vào nhi ề u tham s ố , g ặ p nhi ề u khó khăn trong d ự báo Vì v ậ y, nghiên c ứ u đ ề xu ấ t gi ả i pháp d ự báo t ố c đ ộ cơ h ọ c khoan v ớ i đ ộ chính xác cao nh ằ m xác đ ị nh các thông s ố , ch ế đ ộ khoan phù h ợ p giúp nâng cao t ố c đ ộ cơ h ọ c khoan là c ầ n thi ế t và quan tr ọ ng Nghiên c ứ u này đ ể xu ấ t s ử d ụ ng m ạ ng nơ - ron nhân t ạ o, nh ằ m d ự báo t ố c đ ộ cơ h ọ c khoan t ừ tài li ệ u khoan th ự c t ế B ộ s ố li ệ u bao g ồ m 900 m ẫ u thu đư ợ c t ừ các gi ế ng khoan t ạ i m ỏ Nam R ồ ng Đ ồ i M ồ i, ch ứ a 6 thông s ố đ ầ u vào là các thông s ố ch ế đ ộ khoan: t ả i tr ọ ng lên choòng (WOB), tr ọ ng lư ợ ng riêng dung d ị ch khoan (MW), t ố c đ ộ quay choòng (RPM), áp su ấ t t ạ i vòi phun (SPP), lưu lư ợ ng dung d ị ch khoan (FR), mô men quay choòng (TQ) Trong quá trình hu ấ n luy ệ n m ạ ng, các thu ậ t toán và s ố nơ - ron trong l ớ p ẩ n đư ợ c thay đ ổ i nh ằ m tìm ra mô hình t ố i ưu Mô hình m ạ ng nơ - ron nhân t ạ o đư ợ c l ự a ch ọ n cho k ế t qu ả d ự báo có đ ộ chính xác cao và có th ể áp d ụ ng cho các gi ế ng khoan t ạ i khu v ự c nghiên c ứ u Ngoài ra, d ự a vào mô hình d ự báo xây d ự ng đư ợ c, nghiên c ứ u này đã th ử nghi ệ m tính toán và đưa ra đ ề xu ấ t thông s ố t ả i tr ọ ng lên choòng t ố i ưu cho kho ả ng đ ộ sâu 1800÷2300 m cho các gi ế ng khoan khu v ự c m ỏ Nam R ồ ng - Đ ồ i M ồ i © 2021 Trường Đại học Mỏ - Địa chất Tất cả các quyền được bảo đảm T ừ khóa: M ạ ng nơ -ron nhân t ạ o, M ỏ Nam R ồ ng Đ ồ i M ồ i, T ố c đ ộ cơ h ọ c khoan, T ố i ưu hoá thông s ố ch ế đ ộ khoan 1 M ở đầ u M ỏ Nam R ồ ng - Đồ i M ồ i thu ộ c B ể C ử u Long n ằ m t ạ i th ề m l ục đị a Vi ệ t Nam, thu ộ c qu ả n lý c ủ a Xí nghi ệ p Liên doanh Vietsovpetro Các gi ế ng khoan t ại đây thườ ng g ặ p nhi ề u ph ứ c t ạ p, s ự c ố liên quan đế n m ấ t ổn đị nh thành gi ế ng khi thi công trong đị a t ầng Mioxen và Oligoxen do đất đá chứ a hàm lượ ng khoáng v ậ t sét montmonrinolite cao (~60%) (Soloviev, Nguyen, 2015), gi ế ng trong _____________________ * Tác gi ả liên h ệ E - mail: nguyentienhung dk@humg edu vn DOI: 10 46326/JMES 2021 62(3a) 05 Nguy ễ n Ti ế n Hùng và nnk /T ạ p chí Khoa h ọ c K ỹ thu ậ t M ỏ - Đị a ch ấ t 62(3a), 37 - 47 39 tình tr ạ ng thân tr ầ n, không ch ố ng ố ng th ờ i gian dài Vì v ậ y, vi ệ c nâng cao t ốc độ khoan cơ họ c nh ằ m rút ng ắ n th ờ i gian thi công, gi ả m thi ể u nguy cơ sự c ố khi thi công là c ầ n thi ế t và quan tr ọ ng D ự a trên s ố li ệ u khoan th ự c t ế trong kho ả ng chi ề u sâu 1800÷2300 m thu ộc đị a t ầ ng Mioxen c ủ a 2 gi ế ng 406 và 420 m ỏ Nam R ồ ng - Đồ i M ồ i, nhóm tác gi ả ti ế n hành phân tích, th ố ng k ế s ố li ệ u (B ả ng 1), xây d ự ng bi ểu đồ th ể hi ệ n s ự thay đổ i c ủ a thông s ố t ả i tr ọ ng lên choòng, t ốc độ cơ họ c khoan theo chi ề u sâu th ẳng đứ ng (Hình1) Qua s ố li ệ u th ố ng kê (B ả ng 1) và bi ểu đồ bi ể u di ễ n s ự thay đổ i t ả i tr ọ ng lên choòng và t ốc độ cơ h ọ c khoan theo chi ề u sâu c ủ a 2 gi ế ng 406 và 420 (Hình 1), có m ộ t s ố nh ận xét như sau: - T ốc độ khoan cơ học thay đổ i liên t ụ c và không tuân theo quy lu ậ t; - T ốc độ cơ họ c khoan mà 2 nhà th ầ u Baker Hughes và Slumberger đạt được cũng rấ t khác nhau Trong khi nhà th ầu Baker Hughes đạ t t ốc độ cơ họ c khoan trung bình 41,73 m/h t ạ i gi ế ng 406, thì nhà th ầ u Slumberger ch ỉ đạ t 21,4 m/h t ạ i gi ế ng 420; - Thông s ố t ả i tr ọ ng lên choòng có ảnh hưở ng l ớn đế n t ốc độ cơ họ c khoan; - Thông s ố t ả i tr ọ ng lên choòng mà 2 nhà th ầ u Baker Hughes và Slumberger s ử d ụ ng r ấ t khác nhau Trong khi nhà th ầ u Schlumbeger s ử d ụ ng t ả i tr ọ ng lên choòng dao độ ng trong kho ả n 0,16÷6,87 t ấ n, thì nhà th ầ u Baker Hughes s ử d ụ ng thông s ố này trong kho ả ng 5,51÷16,35 t ấ n; Các tham s ố GK 406 - RCDM GK 420RC 2 g i ế ng T ổ ng s ố m ẫ u 511 472 986 Chi ề u sâu th ẳ ng đ ứ ng B ắ t đ ầ u 1800 1800 1800 K ế t thúc 2300 2300 2300 ROP(m/hr) Giá tr ị nh ỏ nh ấ t 22,74 10,03 10,03 Giá tr ị l ớ n nh ấ t 54,85 38,75 54,85 Giá tr ị trung bình 41,73 21,4 31,94 Đ ộ l ệ ch chu ẩ n 8,67 6,87 12,84 WOB (ton) Giá tr ị nh ỏ nh ấ t 5,51 0,16 0,16 Giá tr ị l ớ n nh ấ t 16,35 5,53 16,35 Giá tr ị trung bình 10,41 2,1 6,41 Đ ộ l ệ ch chu ẩ n 2,52 0,78 4,56 RPM(revs/mn) Giá tr ị nh ỏ nh ấ t 116 100 100 Giá tr ị l ớ n nh ấ t 135 166 166 Giá tr ị trung bình 131 134 132,44 Đ ộ l ệ ch chu ẩ n 5,28 12,04 9,3 TQR(kg m) Giá tr ị nh ỏ nh ấ t 1582 189,2 189,2 Giá tr ị l ớ n nh ấ t 2478 3215,5 3215,5 Giá tr ị trung bình 2068,75 2731,1 2387,5 Đ ộ l ệ ch chu ẩ n 180,24 255,47 397,29 FR (l/s) Giá tr ị nh ỏ nh ấ t 42,8 45,3 42,8 Giá tr ị l ớ n nh ấ t 57,62 62,11 62,11 Giá tr ị trung bình 56,36 57,63 56,97 Đ ộ l ệ ch chu ẩ n 3,06 2,34 2,8 SPP (atm) Giá tr ị nh ỏ nh ấ t 98,5 111,52 98,5 Giá tr ị l ớ n nh ấ t 134,7 235,81 235,81 Giá tr ị trung bình 120,95 181,31 98,5 Đ ộ l ệ ch chu ẩ n 8,09 21,91 34,28 Mw (kg/l) Giá tr ị nh ỏ nh ấ t 1,11 1,07 1,07 Giá tr ị l ớ n nh ấ t 1,2 1,16 1,2 Giá tr ị trung bình 1,15 1,11 1,135 Đ ộ l ệ ch chu ẩ n 0,028 0,027 0,035 B ả ng 1 Th ố ng kê các thông s ố t ừ 2 gi ế ng khoan 406 và 420 m ỏ Nam R ồ ng - Đ ồ i M ồ i 40 Nguy ễ n Ti ế n Hùng và nnk /T ạ p chí Khoa h ọ c K ỹ thu ậ t M ỏ - Đị a ch ấ t 62(3a), 37 - 47 - M ặ c dù nhà th ầu Baker Hughes đạ t t ốc độ cơ h ọ c khoan cao, tuy nhiên, kho ảng điề u ch ỉ nh thông s ố t ả i tr ọ ng lên choòng r ấ t r ộ ng (5,51÷16,35 t ấ n) và không tuân theo quy lu ậ t; - T ạ i kho ả ng 1800÷1900 m nhà th ầ u Baker Hughes s ử d ụ ng t ả i tr ọ ng lên choòng trung bình 10,0 t ấn nhưng tốc độ cơ học khoan trung bình đạ t đượ c th ấp hơn 16,6% so vớ i kho ả ng 2200÷2300 m khi s ử d ụ ng giá tr ị t ả i tr ọ ng lên choòng nh ỏ hơn (trung bình 9,1 t ấ n), 35,1 m/h so v ớ i 41,2 m/h - Khi s ử d ụ ng giá tr ị t ả i tr ọ ng lên choòng quá l ớ n, m ặ c dù v ẫn duy trì đượ c t ốc độ cơ họ c khoan ở m ức cao, nhưng sẽ làm tăng chi phí năng lượ ng phá hu ỷ , gi ả m tu ổ i th ọ và ti ến độ choòng T ừ nh ữ ng nh ậ n xét bên trên, nh ậ n th ấ y vi ệ c tìm ra phương pháp dự báo t ốc độ cơ họ c khoan nh ằm xác đị nh giá tr ị t ối ưu tả i tr ọ ng lên choòng khi thi công trong đị a t ầ ng Mioxen m ỏ Nam R ồ ng - Đồ i M ồ i nói riêng và b ể C ử u Long nói chung là c ầ n thi ế t và quan tr ọ ng Vi ệ c này không nh ữ ng giúp tăng tốc độ cơ học khoan, đả m b ả o tu ổ i th ọ và ti ến độ c ủ a choòng mà còn gi ả m th ờ i gian thi công và giá thành xây d ự ng gi ế ng Trước đây, dự báo t ốc độ cơ họ c khoan thườ ng s ử d ụ ng mô hình Bourgoyne và Young (1974) Hi ệ n nay, v ớ i s ự phát tri ể n c ủ a trí tu ệ nhân t ạ o, đã có nhiề u công trình nghiên c ứ u ch ứ ng minh r ằ ng m ạng nơ - ron nhân t ạ o (ANN) là m ộ t công c ụ h ữ u ích giúp d ự báo t ốc độ khoan cơ họ c chính xác hơn các phương pháp truyề n th ố ng (Irawan và Tunio, 2012; Chandrasekaran và Kumar, 2020; Azim, 2020) Nghiên c ứ u này đã ti ế n hành xây d ự ng mô hình m ạ ng ANN nh ằ m d ự báo t ốc độ cơ họ c khoan t ừ tài li ệ u khoan th ự c t ế c ủ a 2 gi ế ng khoan m ỏ Nam R ồ ng - Đồ i M ồ i 2 X ử lý s ố li ệ u 2 1 L ọ c nhi ễ u Trong quá trình hu ấ n luy ệ n, các giá tr ị d ị thườ ng có th ể coi như nhiễ u vì chúng có th ể ả nh hưở ng t ớ i tính chính xác và tính t ổ ng quát c ủ a m ạng ANN Do đó , trướ c khi s ử d ụng như d ữ li ệ u đầu vào để hu ấ n luy ệ n m ạ ng, các thông s ố khoan đượ c hi ệ u ch ỉ nh và l ọ c b ỏ các giá tr ị nhi ễ u d ự a theo thu ật toán xác đị nh các giá tr ị ngo ạ i lai Z - score (Tripathy và nnk , 2013) Ch ỉ s ố Z - score được xác đị nh b ở i công th ứ c: z = | X i - X mean | / SD (1) Trong đó: X mean - giá tr ị trung bình c ủ a tham s ố ; SD - độ l ệ ch chu ẩ n c ủ a tham s ố D ự a theo nghiên c ứ u c ủ a Tripathy và nnk (2013), giá tr ị Z - score đượ c l ự a ch ọn để xác đị nh nhi ễ u trong b ộ d ữ li ệ u d ự a trên tiêu chí sau: - Khi z < 2 giá tr ị phù h ợp để s ử d ụ ng; - Khi 2 < z < 3 giá tr ị nghi ng ờ , gây ảnh hưở ng t ớ i k ế t qu ả hu ấ n luy ệ n m ạ ng; - Khi z > 3 tương ứ ng giá tr ị nhi ễ u c ầ n lo ạ i b ỏ 0 10 20 30 40 50 60 1750 1850 1950 2050 2150 2250 2350 WOB406 ROP406 WOB420 ROP420 Hình 1 S ự thay đ ổ i t ả i tr ọ ng lên choòng và t ố c đ ộ cơ h ọ c khoan theo chi ề u sâu c ủ a 2 gi ế ng 406 và 420 m ỏ Nam R ồ ng - Đ ồ i M ồ i, Vi ệ t Nam : WOB406 và WOB420 - T ả i tr ọ ng lên choòng c ủ a gi ế ng khoan 406 và 420; ROP406 và ROP420 - T ố c đ ộ khoan cơ h ọ c c ủ a gi ế ng khoan 406 và 420 Nguy ễ n Ti ế n Hùng và nnk /T ạ p chí Khoa h ọ c K ỹ thu ậ t M ỏ - Đị a ch ấ t 62(3a), 37 - 47 41 2 2 Phân tích d ữ li ệ u Vi ệ c l ự a ch ọ n các thông s ố đầu vào để hu ấ n luy ệ n m ạ ng ANN là m ột bướ c quan tr ọ ng quy ế t đị nh t ới độ chính xác c ủa mô hình Để có th ể đưa ra quy ết đị nh s ử d ụ ng các thông s ố nào làm d ữ li ệ u đầ u vào hu ấ n luy ệ n m ạ ng, nhóm tác gi ả đã phân tích m ố i quan h ệ gi ữ a các thông s ố ch ế độ khoan và t ốc độ cơ họ c khoan d ự a trên b ộ tài li ệ u t ừ 2 gi ế ng khoan 406 và 420 m ỏ Nam R ồ ng - Đồ i M ồ i (Hình 2 ) H ệ s ố tương quan R 2 là ch ỉ s ố th ố ng kê đo lư ờ ng m ứ c đ ộ m ạ nh y ế u gi ữ a hai bi ế n s ố Khi giá tr ị h ệ s ố tương quan ti ệ m c ậ n t ớ i 1 ch ứ ng t ỏ thông s ố đó có m ố i quan h ệ ch ặ t ch ẽ và ả nh hư ở ng tr ự c ti ế p đ ế n t ố c đ ộ cơ h ọ c khoan Hình 2 H ệ s ố tương quan gi ữ a các thông s ố ch ế đ ộ khoan và t ố c đ ộ cơ h ọ c khoan: a) đ ố i v ớ i t ả i tr ọ ng lên choòng (WOB); b) đ ố i v ớ i mô men quay choòng (TQ); c) đ ố i v ớ i t ố c đ ộ quay choòng (RPM); d) đ ố i v ớ i áp su ấ t t ạ i vòi phun thu ỷ l ự c (SPP); e) đ ố i v ớ i lưu l ư ợ ng dung d ị ch khoan (FR); f) đ ố i v ớ i tr ọ ng lư ợ ng riêng dung d ị ch khoan (MW) 42 Nguy ễ n Ti ế n Hùng và nnk /T ạ p chí Khoa h ọ c K ỹ thu ậ t M ỏ - Đị a ch ấ t 62(3a), 37 - 47 Qua Hình 2 nh ậ n th ấ y, các h ệ s ố tương quan R 2 c ủ a các thông s ố ch ế độ khoan và t ốc độ cơ họ c khoan đề u nh ỏ hơn 0,5 Điề u này ch ứ ng t ỏ , có th ể coi các thông s ố này như là các biến độ c l ậ p c ủ a t ố c độ cơ họ c khoan và có th ể s ử d ụng chúng như nh ữ ng thông s ố đầu vào để hu ấ n luy ệ n m ạ ng ANN 2 3 Chu ẩ n hoá d ữ li ệ u Sau khi đã lự a ch ọn đượ c các thông s ố đầ u vào, ti ế n hành chu ẩ n hoá các thông s ố này để đưa vào hu ấ n luy ệ n m ạ ng ANN D ữ li ệu đầ u vào g ồ m nhi ề u thông s ố và m ỗ i thông s ố l ại có các đơn vị và độ l ớ n nh ỏ khác nhau Điều này tác độ ng t ớ i tính hi ệ u qu ả c ủ a thu ậ t toán, th ờ i gian th ự c hi ệ n, quá trình h ộ i t ụ , hay th ậ m chí ảnh hưở ng c ả t ới độ chính xác c ủ a mô hình ANN Vì v ậ y, nhóm tác gi ả ti ến hành điề u ch ỉ nh d ữ li ệu để các thông s ố cùng có chung m ộ t t ỉ l ệ (data scaling) trong kho ả ng (0,1) b ằ ng thu ậ t toán Normalization dưới đây:
Journal of Mining and Earth Sciences Vol 62, Issue 3a (2021) 37 - 47 37 Use of Artificial Neural Networks in predicting rate of penetration and optimization weight on bit for several wells in Nam Rong - Doi Moi field, Vietnam Hung Tien Nguyen 1,*, Duong Hong Vu 1, Vinh The Nguyen 1, Doan Thi Tram 1, Pham Van Trung Hanoi University of Mining and Geology, Hanoi, Vietnam PVEP, Hanoi, Vietnam ARTICLE INFO ABSTRACT Article history: Obtaining the maximum Rate of Penetration (ROP) by optimization of Received 07th Feb 2021 drilling parameters is the aim of every drilling engineer This helps to save Revised 16th May 2021 time, reduces cost and minimizes drilling problems Since ROP depends on Accepted 16th June 2021 a lot of parameters, it is very difficult to predict it correctly Therefore, it is necessary and important to investigate a solution for predicting ROP Keywords: with high accuracy in order to determine the suitable drilling parameters Artificial Neural Network, In this study, a new approach using Artificial Neural Network (ANN) has Nam Rong - Doi Moi field been proposed to predict ROP from real - time drilling data of several wells Optimization drilling in Nam Rong - Doi Moi field with more than 900 datasets included parameters, important parameters such as weight on bit (WOB), weight of mud (MW), Rate of Penetration, rotary speed (RPM), stand pipe pressure (SPP), flow rate (FR), torque (TQ) In the process of training the network, algorithms and the number of neurons in the hidden layer were varied to find the optimal model The ANN model shows high accuracy when comparing to actual ROP, therefore it can be recommended as an effective and suitable method to predict ROP of other wells in research area Besides, base on the proposed ANN model, authors carried out experiments and determine the optimal weight on bit value for the drilling interval from 1800 to 2300 m of wells in in Nam Rong Doi Moi field Copyright © 2021 Hanoi University of Mining and Geology All rights reserved _ *Corresponding author E - mail: nguyentienhung.dk@humg.edu.vn DOI: 10.46326/JMES.2021.62(3a).05 38 Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất Tập 62, Kỳ 3a (2021) 37 - 47 Ứng dụng mạng nơ-ron nhân tạo (ANN) dự báo tốc độ học khoan đề xuất giá trị tải trọng lên choòng tối ưu cho giếng khoan dầu khí mỏ Nam Rồng - Đồi Mồi, Việt Nam Nguyễn Tiến Hùng 1,*, Vũ Hồng Dương 1, Nguyễn Thế Vinh 1, Doãn Thị Trâm 1, Nguyen Van Trung Khoa Dầu khí, Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam Dự án block 01&02 t ại công ty PVEP, Hà Nội,Việt Nam THƠNG TIN BÀI BÁO TĨM TẮT Quá trình: Nâng cao tốc độ học khoan giúp nâng cao hiệu khoan, giảm thiểu Nhận 07/02/2021 nguy phức tạp cố, thời gian thi công giá thành phản phẩm Tốc độ Sửa xong 16/05/2021 học khoan phụ thuộc vào nhiều tham số, gặp nhiều khó khăn dự Chap� nhận đăng 16/06/2021 báo Vì vậy, nghiên cứu đề xuất giải pháp dự báo tốc độ học khoan với độ xác cao nhằm xác định thơng số, chế độ khoan phù hợp giúp nâng Từ khóa: cao tốc độ học khoan cần thiết quan trọng Nghiên cứu để xuất Mạng nơ-ron nhân tạo, sử dụng mạng nơ-ron nhân tạo, nhằm dự báo tốc độ học khoan từ tài liệu Mỏ Nam Rồng Đồi Mồi, khoan thực tế Bộ số liệu bao gồm 900 mẫu thu từ giếng khoan Tốc độ học khoan, mỏ Nam Rồng Đồi Mồi, chứa thông số đầu vào thông số chế độ khoan: Tối ưu hố thơng số chế tải trọng lên choòng (WOB), trọng lượng riêng dung dịch khoan (MW), tốc độ khoan độ quay choòng (RPM), áp suất vòi phun (SPP), lưu lượng dung dịch khoan (FR), mơ men quay chng (TQ) Trong q trình huấn luyện mạng, thuật toán số nơ-ron lớp ẩn thay đổi nhằm tìm mơ hình tối ưu Mơ hình mạng nơ-ron nhân tạo lựa chọn cho kết dự báo có độ xác cao áp dụng cho giếng khoan khu vực nghiên cứu Ngồi ra, dựa vào mơ hình dự báo xây dựng được, nghiên cứu thử nghiệm tính tốn đưa đề xuất thơng số tải trọng lên chng tối ưu cho khoảng độ sâu 1800÷2300 m cho giếng khoan khu vực mỏ Nam Rồng - Đồi Mồi © 2021 Trường Đại học Mỏ - Địa chất Tất quyền bảo đảm Mở đầu nằm thềm lục địa Việt Nam, thuộc quản lý Xí nghiệp Liên doanh Vietsovpetro Các giếng Mỏ Nam Rồng - Đồi Mồi thuộc Bể Cửu Long khoan thường gặp nhiều phức tạp, cố liên quan đến ổn định thành giếng thi công _ địa tầng Mioxen Oligoxen đất đá chứa *Tác giả liên hệ hàm lượng khoáng vật sét montmonrinolite cao E - mail: nguyentienhung.dk@humg.edu.vn (~60%) (Soloviev, Nguyen, 2015), giếng DOI: 10.46326/JMES.2021.62(3a).05 Nguyễn Tiến Hùng nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(3a), 37 - 47 39 tình trạng thân trần, không chống ống thời gian - Tốc độ khoan học thay đổi liên tục dài Vì vậy, việc nâng cao tốc độ khoan học không tuân theo quy luật; nhằm rút ngắn thời gian thi công, giảm thiểu nguy cố thi công cần thiết quan trọng - Tốc độ học khoan mà nhà thầu Baker Hughes Slumberger đạt khác Dựa số liệu khoan thực tế khoảng Trong nhà thầu Baker Hughes đạt tốc độ chiều sâu 1800÷2300 m thuộc địa tầng Mioxen học khoan trung bình 41,73 m/h giếng 406, giếng 406 420 mỏ Nam Rồng - Đồi Mồi, nhà thầu Slumberger đạt 21,4 m/h giếng nhóm tác giả tiến hành phân tích, thống kế số liệu 420; (Bảng 1), xây dựng biểu đồ thể thay đổi thông số tải trọng lên choòng, tốc độ học - Thơng số tải trọng lên chng có ảnh hưởng khoan theo chiều sâu thẳng đứng (Hình1) lớn đến tốc độ học khoan; Qua số liệu thống kê (Bảng 1) biểu đồ biểu - Thơng số tải trọng lên chng mà nhà thầu diễn thay đổi tải trọng lên choòng tốc độ Baker Hughes Slumberger sử dụng khác học khoan theo chiều sâu giếng 406 420 Trong nhà thầu Schlumbeger sử dụng tải (Hình 1), có số nhận xét sau: trọng lên choòng dao động khoản 0,16÷6,87 tấn, nhà thầu Baker Hughes sử dụng thông số khoảng 5,51÷16,35 tấn; Bảng Thống kê thơng số từ giếng khoan 406 420 mỏ Nam Rồng - Đồi Mồi Các tham số GK 406 - RCDM GK 420RC giếng 511 472 986 Tổng số mẫu 1800 1800 1800 2300 2300 2300 Chiều sâu thẳng Bắt đầu 22,74 10,03 10,03 54,85 38,75 54,85 đứng Kết thúc 41,73 21,4 31,94 8,67 6,87 12,84 Giá trị nhỏ 5,51 0,16 0,16 16,35 5,53 16,35 ROP(m/hr) Giá trị lớn 10,41 2,1 6,41 Giá trị trung bình 2,52 0,78 4,56 116 100 100 Độ lệch chuẩn 135 166 166 131 134 Giá trị nhỏ 5,28 12,04 132,44 1582 189,2 9,3 WOB (ton) Giá trị lớn 2478 Giá trị trung bình 3215,5 189,2 2068,75 2731,1 3215,5 Độ lệch chuẩn 180,24 255,47 2387,5 397,29 Giá trị nhỏ 42,8 45,3 57,62 62,11 42,8 RPM(revs/mn) Giá trị lớn 56,36 57,63 62,11 Giá trị trung bình 3,06 2,34 56,97 98,5 111,52 Độ lệch chuẩn 134,7 235,81 2,8 120,95 181,31 98,5 Giá trị nhỏ 8,09 21,91 235,81 1,11 1,07 98,5 TQR(kg.m) Giá trị lớn 1,16 34,28 Giá trị trung bình 1,2 1,11 1,07 1,15 0,027 1,2 Độ lệch chuẩn 0,028 1,135 0,035 Giá trị nhỏ FR (l/s) Giá trị lớn Giá trị trung bình Độ lệch chuẩn Giá trị nhỏ SPP (atm) Giá trị lớn Giá trị trung bình Độ lệch chuẩn Giá trị nhỏ Mw (kg/l) Giá trị lớn Giá trị trung bình Độ lệch chuẩn 40 Nguyễn Tiến Hùng nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(3a), 37 - 47 60 50 40 30 20 10 1750 1850 1950 2050 2150 2250 2350 WOB406 ROP406 WOB420 ROP420 Hình Sự thay đổi tải trọng lên chng tốc độ học khoan theo chiều sâu giếng 406 420 mỏ Nam Rồng - Đồi Mồi, Việt Nam: WOB406 WOB420 - Tải trọng lên choòng giếng khoan 406 420; ROP406 ROP420 - Tốc độ khoan học giếng khoan 406 420 - Mặc dù nhà thầu Baker Hughes đạt tốc độ (Irawan Tunio, 2012; Chandrasekaran học khoan cao, nhiên, khoảng điều chỉnh thông Kumar, 2020; Azim, 2020) Nghiên cứu tiến số tải trọng lên chng rộng (5,51÷16,35 tấn) hành xây dựng mơ hình mạng ANN nhằm dự báo không tuân theo quy luật; tốc độ học khoan từ tài liệu khoan thực tế giếng khoan mỏ Nam Rồng - Đồi Mồi - Tại khoảng 1800÷1900 m nhà thầu Baker Hughes sử dụng tải trọng lên chng trung bình Xử lý số liệu 10,0 tốc độ học khoan trung bình đạt thấp 16,6% so với khoảng 2200÷2300 2.1 Lọc nhiễu m sử dụng giá trị tải trọng lên chng nhỏ (trung bình 9,1 tấn), 35,1 m/h so với 41,2 m/h Trong trình huấn luyện, giá trị dị thường coi nhiễu chúng ảnh - Khi sử dụng giá trị tải trọng lên chng q hưởng tới tính xác tính tổng quát lớn, trì tốc độ học khoan mạng ANN Do đó, trước sử dụng liệu mức cao, làm tăng chi phí lượng đầu vào để huấn luyện mạng, thông số khoan phá huỷ, giảm tuổi thọ tiến độ choòng hiệu chỉnh lọc bỏ giá trị nhiễu dựa theo thuật toán xác định giá trị ngoại lai Z - Từ nhận xét bên trên, nhận thấy việc score (Tripathy nnk., 2013) Chỉ số Z - score tìm phương pháp dự báo tốc độ học khoan xác định công thức: nhằm xác định giá trị tối ưu tải trọng lên chng thi cơng địa tầng Mioxen mỏ Nam Rồng z = |Xi - Xmean|/ SD (1) - Đồi Mồi nói riêng bể Cửu Long nói chung cần thiết quan trọng Việc Trong đó: Xmean - giá trị trung bình tham giúp tăng tốc độ học khoan, đảm bảo tuổi thọ số; SD - độ lệch chuẩn tham số tiến độ choòng mà giảm thời gian thi công giá thành xây dựng giếng Dựa theo nghiên cứu Tripathy nnk (2013), giá trị Z - score lựa chọn để xác định Trước đây, dự báo tốc độ học khoan nhiễu liệu dựa tiêu chí sau: thường sử dụng mơ hình Bourgoyne Young (1974) Hiện nay, với phát triển trí tuệ nhân - Khi z < giá trị phù hợp để sử dụng; tạo, có nhiều cơng trình nghiên cứu chứng - Khi < z < giá trị nghi ngờ, gây ảnh hưởng minh mạng nơ - ron nhân tạo (ANN) tới kết huấn luyện mạng; cơng cụ hữu ích giúp dự báo tốc độ khoan học - Khi z > tương ứng giá trị nhiễu cần loại bỏ xác phương pháp truyền thống Nguyễn Tiến Hùng nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(3a), 37 - 47 41 2.2 Phân tích liệu tốc độ học khoan dựa tài liệu từ giếng khoan 406 420 mỏ Nam Rồng - Đồi Mồi Việc lựa chọn thông số đầu vào để huấn (Hình 2) luyện mạng ANN bước quan trọng định tới độ xác mơ hình Để đưa Hệ số tương quan R2 số thống kê đo định sử dụng thông số làm liệu lường mức độ mạnh yếu hai biến số Khi giá đầu vào huấn luyện mạng, nhóm tác giả phân trị hệ số tương quan tiệm cận tới chứng tỏ thơng tích mối quan hệ thơng số chế độ khoan số có mối quan hệ chặt chẽ ảnh hưởng trực tiếp đến tốc độ học khoan Hình Hệ số tương quan thông số chế độ khoan tốc độ học khoan: a) tải trọng lên chng (WOB); b) mơ men quay choòng (TQ); c) tốc độ quay choòng (RPM); d) áp suất vòi phun thuỷ lực (SPP); e) lưu lượng dung dịch khoan (FR); f) trọng lượng riêng dung dịch khoan (MW) 42 Nguyễn Tiến Hùng nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(3a), 37 - 47 Qua Hình nhận thấy, hệ số tương quan mạng ANN ứng dụng để giải vấn R2 thông số chế độ khoan tốc độ học đề thực tế nhiều lĩnh vực: công nghệ thông khoan nhỏ 0,5 Điều chứng tỏ, tin, sinh học, quản lý, kinh tế, y tế,… mà coi thông số biến độc lập tốc quan hệ yếu tố phi tuyến độ học khoan sử dụng chúng thông số đầu vào để huấn luyện mạng ANN Nghiên cứu sử dụng mạng ANN tiếp tục cung cấp (feed - forward) để dự báo tốc độ 2.3 Chuẩn hoá liệu học khoan dựa tài liệu khoan giếng khoan 406 - RCDM 420RC mỏ Nam Rồng - Đồi Sau lựa chọn thông số đầu Mồi Tổng hợp thông tin số liệu trình bày vào, tiến hành chuẩn hố thơng số để đưa Bảng Mạng ANN sử dụng với thuật vào huấn luyện mạng ANN Dữ liệu đầu vào gồm toán huấn luyện lan truyền ngược (back - nhiều thông số thơng số lại có đơn vị propagation) (Mohaghegh, 2000) hàm kích độ lớn nhỏ khác Điều tác động tới tính hoạt tagsig để dự báo vận tốc học khoan từ hiệu thuật toán, thời gian thực hiện, liệu mẫu trên, mạng ANN gọi trình hội tụ, hay chí ảnh hưởng tới độ mạng nơ - ron lan truyền ngược (back - xác mơ hình ANN Vì vậy, nhóm tác giả propagation neural network BPNN) Bộ liệu tiến hành điều chỉnh liệu để thông số gồm 989 mẫu bao gồm thơng số: tốc độ học có chung tỉ lệ (data scaling) khoảng khoan (ROP), tải trọng lên choòng (WOB), lưu (0,1) thuật toán Normalization đây: lượng dung dịch khoan (FR), tốc độ quay choòng (RPM), áp suất vòi phun (SPP), trọng lượng 𝑋𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑧𝑒 = 𝑋 − 𝑋𝑚𝑖𝑛 (2) riêng dung dịch khoan (MW), mô men quay 𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛 choòng (TQ) (Chandrasekaran Kumar, 2020; Azim, 2020) Bộ liệu chia nhỏ với Trong đó: X_normalize - giá trị chuẩn hoá; X - 70% lượng mẫu dùng để huấn luyện mạng, 15% giá trị thực; X_min - giá trị cực tiểu; X_max - giá trị dùng để kiểm tra (test) 15% để xác nhận cực đại (validation) Trong trạng thái học, tập liệu mẫu đưa vào mạng ANN bao gồm giá trị đầu vào Xây dựng mạng nơron nhân tạo (ANN) dự (inputs): tải trọng lên choòng WOB (tấn), lưu báo tốc độ học khoan lượng dung dịch khoan FR (l/s), tốc độ quay choòng RPM (v/phút), áp suất vòi phun thuỷ Mạng ANN mơ hình xử lý thông tin lực SPP (atm), trọng lượng riêng dung dịch khoan mô dựa hoạt động hệ thống thần MW (kg/l), mô ment choòng TQ (m.kg) lẫn giá kinh sinh vật, bao gồm số lượng lớn nơ - trị đầu (output) tốc độ học khoan ROP ron gắn kết để xử lý thông tin (Mohaghegh, (m/h) Các liệu tính tốn cho kết 2000) ANN giống não người, đầu Kết đầu mạng ANN sau học kinh nghiệm (thơng qua huấn luyện), có vịng lặp (cycle iteration) so sánh với khả lưu giữ kinh nghiệm hiểu biết (tri kết đầu thực tế tập mẫu để rút sai thức) sử dụng tri thức để dự đoán số Sai số lan truyền ngược trở lại nơ liệu chưa biết (unseen data) ANN xây - ron đầu (output neurons) nơ - ron ẩn để dựng dựa giả định sau: nơ - ron điều chỉnh lại trọng số (Hình 3) - Thơng tin xử lý nhiều phần tử đơn giản, Quá trình lan truyền theo hai chiều gọi nơ - ron; tiến hành nhiều lần, sai số đạt tới giá trị cực tiểu nhỏ giá trị cho phép đó, - Tín hiệu truyền nơ - ron thông số vòng lặp đạt đến giá trị qua kết nối; định trước Quá trình học mạng ANN lan truyền ngược trình học có giám sát Trong - Mỗi kết nối có trọng số, thông thường nghiên cứu này, nhóm tác giả xây dựng đánh nhân với tín hiệu truyền qua; giá mơ hình mạng ANN lan truyền ngược (BPNN) có cấu trúc chung sau: - Mỗi nơ - ron sử dụng hàm kích hoạt để xác định tín hiệu đầu theo tổng tín hiệu đầu vào Đặc điểm mạng ANN có có khả giải vấn đề phức tạp cách làm sáng tỏ mối quan hệ phi tuyến, mà Nguyễn Tiến Hùng nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(3a), 37 - 47 43 Hình Mơ hình biểu diễn cấu trúc mạng ANN toolbox Matlab Có nhiều thuật toán huấn luyện lan truyền ngược Trong đó: (backpropagation) khác nhau, chúng khác - Lớp đầu vào (Input layer) có nơ - ron cách tính tốn, dung lượng nhớ khơng có (WOB, FR, RP, SPP, MW, TQ ) lớp đầu (Output thuật toán tốt trường hợp layer) có nơ - ron (ROP) (Bảng 2) Ở nghiên cứu này, với khối lượng tài liệu - Hàm kích hoạt cho lớp ẩn (Hidden layer) vừa phải, nghiên cứu lựa chọn sử dụng tansig hàm kích hoạt cho lớp đầu pureline thuật toán trainlm trainrp Điểm khác mơ hình mạng là: * Số nơ - ron lớp ẩn thay đổi 4÷8 Việc lựa chọn số lượng nơ - ron tối ưu * Sử dụng thuật toán học “learning” khác lớp ẩn quan trọng, phải đảm bảo kết dự báo từ mạng ANN đạt hệ số tương quan đủ tốt với liệu mẫu, đồng thời số lượng nơ - ron không nên sử dụng q nhiều dẫn đến tượng khớp (overfitting) Từ kết thu chạy mơ hình mạng khác (các Hình 4, 5), so sánh hệ số tương quan R2 tập huấn luyện, test validation, nghiên cứu sử dụng mơ hình mạng có nơ - ron lớp ẩn với thuật toán trainlm làm mơ hình tối ưu để dự báo tốc độ khoan học Từ Hình nhận thấy, kết tốc độ học khoan dự báo từ mạng ANN so sánh với liệu thực tế có độ xác cao phản ánh xu thay đổi tốc độ học khoan theo chiều sâu thẳng đứng giếng Bảng Mơ tả thuật tốn huấn luyện mạng ANN Hàm Mô tả Traingd Traingdm Gradient descent Đáp ứng chậm, sử dụng chế độ incremental Traingdx Gradient descent có quán tính Thường nhanh traingd, sử dụng chế độ nấc Trainrp Tốc độ học thay đổi Huấn luyện nhanh traingd sử dụng chế độ batch Resillient backpropagation Đây thuật toán huấn luyện chế độ batch đơn giản có hội tụ Traincgf nhanh tốn nhớ Thuật toán conjugate gradient fletcher reeves Yêu cầu nhớ thuật toán Traincgp conjugate gradient Thuật toán conjugate polka - ribiere Yêu cầu nhớ lớn traincgf ,tốc độ hội tụ nhanh Trainscg Thuật toán scaled conjugate gradient Đây thuật tốn conjugate gradient khơng Trainbfg u cầu định hướng tìm Thuật tốn quasi - newtin bfgs Yêu cầu lưu trữ ma trận hessian có nhiều phép tính Trainoss thuật tốn conjugate gradient vòng lặp, thường hội tụ sau vài phép lặp Trainlm Phương pháp one step secant Đây phương pháp kết hợp phương pháp conjugate gradient phương pháp quasi - newton Trainbr Thuật toán levengeg - marquardt Thuật toán huấn luyện nhanh mạng có kích thước vừa phải,có tính chất giảm nhớ tập huấn luyện lớn Thuật tốn chuẩn tổng qt hóa Bayesian Là giải thuật huấn luyện levenberg - marquardt sửa đổi tạo mạng tốt hơn,giảm phức tạp để mạng hội tụ 44 Nguyễn Tiến Hùng nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(3a), 37 - 47 Hình Kết dự báo sử dụng thuật tốn Hình Kết dự báo sử dụng thuật toán trainlm trainrp Hình Tốc độ học khoan dự báo từ mạng ANN với liệu thực tế giếng 406 420: Actual ROP406 Actual ROP420 - Tốc độ học khoan thực tế giếng 406 420; Predict ROP406 Predict ROP420 - Tốc độ học khoan dự báo giếng 406 420 Xác định thông số tải trọng lên choòng tối ưu khoan MW, chất lượng dung dịch khoan, Do đó, nhằm nâng cao tốc độ học khoan khơng thể đưa tồn bộ liệu đầu vào (input) vào mạng ANN mà phải chia nhỏ liệu cho Để xác định thơng số tải trọng lên chng tối trường hợp, ví dụ: với tệp P02 lọc lấy ưu nhằm nâng cao tốc độ học khoan, nhóm tác thông số đầu vào với giá trị tải trọng lên giả tiến hành thay đổi giá trị tải trọng lên choòng choòng dao động khoảng 1÷3 tấn; tệp P04 là: ,4, 6, 8, 10, 12, 14 liệu thơng số đầu vào có giá trị tải trọng lên mẫu sử dụng mơ hình ANN xây dựng được, choòng nằm khoảng 3÷5 tấn, Kết nhằm dự báo vận tốc học khoan đạt liệu khởi tạo P02, P04, P06, P08, P10, trường hợp Thực tế, tốc độ học khoan không P12, P14 tương ứng thông số đầu vào sử dụng phụ thuộc vào thơng số tải trọng lên chng tải trọng lên choòng 2, 4, 6, 8, 10, 12, 14 mà cịn chịu ảnh hưởng thơng số khác như: lưu lượng dung dịch khoan FR (l/s), tốc độ quay Từ liệu đưa vào mạng ANN, choòng RPM (v/ph), trọng lượng riêng dung dịch kết đầu (output) thu giá trị dự báo vận tốc học khoan Để so sánh lựa chọn Nguyễn Tiến Hùng nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(3a), 37 - 47 45 Hình Biểu đồ biểu diễn ảnh hưởng tải trọng lên choòng đến tốc độ học khoan sau chạy mô hình ANN giá trị tải trọng lên choong tối ưu, nghiên cứu khoan mà làm tăng tiêu hao lượng phá so sánh giá trị tốc độ học khoan lớn (max), huỷ, làm giảm tuổi thọ tiến độ choòng nhỏ (min) trung bình trường hợp (Hình 7) Nghiên cứu nhận thấy số tồn đề xuất giải pháp sau: Thảo luận kết đạt - Thực tế khoan cho thấy, tính chất lý Qua biểu đồ thể ảnh hưởng thông đất đá thay đổi mạnh theo chiều sâu nghiên số tải trọng lên choòng đến tốc độ học khoan cứu Để đưa mơ hình dự báo tốc độc sau tiến hành chạy qua mơ hình ANN (Hình 6), học khoan xác cần chia thành khoảng có số nhận xét sau: khoan chi tiết tương ứng với lớp đất đá Tuy nhiên, nghiên cứu liệu thu thập - Khi tăng tải trọng lên choòng khoảng bao gồm tài liệu khoan thực tế 2÷8 tấn, tốc độ học khoan tăng mạnh Điều giếng khoan với số lượng mẫu hạn chế nên nghiên phù hợp với nghiên cứu trước cho thấy cứu chia thành khoảng khoan độ ngập choòng tăng mức độ làm chi tiết Để nâng cao tính xác logic, đáy giếng tốt tốc độ học khoan tăng tuyến nghiên cứu bổ sung thêm tài tính với tải trọng lên choòng (Neskoromnux, liệu giếng khoan lân cận 2015; Neskoromnux, 2017; Baron nnk., 1966); - Khi sử dụng tài liệu giếng khoan khác - Khi tăng tải trọng lên chng khoảng để xây dựng mơ hình dự báo, hai thơng số 8÷10 tấn, tốc độ học khoan tăng nhẹ có xu góc nghiên góc phương vị có ảnh hưởng lên hướng ổn định Điều chứng tỏ khoảng kết cần coi thông số đầu vào để giá trị hợp lý thi công khoan đây; huấn luyện Tuy nhiên, liệu gốc thu thập lại thiếu thơng số Vì vậy, để nâng cao - Khi tăng tải trọng lên chng khoảng tính xác logic dự báo, nghiên cứu 10÷14 tấn, tốc độ học khoan khơng tăng có đề xuất bổ sung thơng số góc nghiêng góc xu hướng giảm nhẹ Điều phù hợp với phương vị nghiên cứu nghiên cứu trước độ ngập chng tăng khơng đáp ứng mức độ làm Kết luận đáy giếng tốt (Neskoromnux, 2015; 2017; Baron nnk., 1966); Qua nghiên cứu bên trên, nhóm tác giả đưa số kết luận sau: - Khi tải trọng lên chng khoảng 10÷14 tấn, khơng khơng tăng tốc độ học Mạng nơron nhân tạo ANN có khả dự 46 Nguyễn Tiến Hùng nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(3a), 37 - 47 báo tốc độ học khoan tốt với mức độ xác hành thu thập, xử lý số liệu kiểm tra tiến độ cao tốc độ học khoan dự báo gần trùng công việc Nguyễn Thế Vinh Vũ Hồng Dương khớp với kết khoan thực tế thiết kế mơ hình mạng nơ - ron nhân tạo (ANN) đảm nhiệm huấn luyện mạng Doãn Thị Trâm Mạng nơron nhân tạo ANN với thuật toán Phạm Văn Trung thu thập số liệu chỉnh sửa nội trainlm có nơ - ron lớp ẩn cho kết dự dung báo ưu việt so với mô hình khác tệp liệu này; Tài liệu tham khảo Để tăng độ xác dự báo mạng Azim Reda Abdel, (2020) Application of artificial ANN, cần bổ sung cập nhật liệu huấn luyện neural network in optimizing the drilling rate từ giếng khoan mới; of penetration of western desert Egyptian wells Springer Nature Switzerland AG Tải trọng lên choòng tối ưu nhằm tăng tốc độ học khoan nằm khoản 8÷10 Điều Baron L.I., Beron A.I., Alekhova Z N nnk phù hợp với kết khoan thực tế nhà thầu (1996) Nguyên lý phá huỷ đất đá khoan Baker Hughes khoan với tải trọng lên choòng Khoa Hoc Matx-Cơ-Va, 244 trang Барон Л И., trung bình khoảng 7÷13 đạt tốc độ Берон А И., Алехова З Н и другие (1966) học khoan trung bình 41,7 m/h, nhà thầu Slumberger sử dụng tải trọng lên choòng Разрушение горных пород механическими trung bình 1÷3 đạt tốc độ học khoan trung bình 21,4 m/h (Hình 1) (Bảng 1); способами при бурении скважин Наука М Khi tăng tải trọng lên chng từ 10÷14 tấn, 244 c trì tốc độ học khoan mức cao lại làm tăng mơ ment quay chng, Bourgoyne Jr A T., & Young Jr F S (1974) A tăng chi phí lượng phá huỷ, giảm tuổi thọ multiple regression approach to optimal tiến độ chng Vì vậy, địa tầng Mioxen drilling and abnormal pressure detection khơng nên dùng tải trọng lên chng lớn vậy; Society of Petroleum Engineers Journal, 14(04), 371 - 384 Ứng dụng mạng ANN tối ưu hố thơng số tải trọng lên chng mà cịn Chandrasekaran Sridharan, Kumar G Suresh tối ưu hố thơng số chế độ khoan khác như: tốc (2020) Drilling Efficiency Improvement and độ quay choòng RPM, lưu lượng dung dịch khoan Rate of Penetration Optimization by Machine FR,…; Learning and Data Analytics International Journal of Mathematical, Engineering Để nâng cao hiệu khoan, cần tiếp tục áp and Management Sciences, 5(3), 381 - 394 dụng phương pháp sử dụng mạng ANN nhằm tối ưu hoá thông số chế độ khoan khác như: tốc Irawan Sonny, Tunio Saleem Qadir (2012) độ quay choòng RPM (v/ph), lưu lượng dung dịch Optimization of Weight on Bit During Drilling khoan FR (l/s), trọng lượng riêng dung dịch khoan Operation Based on Rate of Penetration Model MW (G/cm3),…; Research Journal of Applied Sciences, Để ứng dụng rộng rãi phương pháp sử dụng Engineering and Technology, 4(12) mạng ANN tối ưu hố thơng số chế độ khoan nhằm nâng cao hiệu khoan cho địa tầng Neskoromnux V.V (2015) Nguyên lý phá huỷ đất khác, cần bổ sung thơng số biểu thị tính chất đá khoan thăm dò Trương ĐH Serbria lý đất đá theo chiều sâu thông số Krasnodar 396 trang Нескромных В В., đầu vào; (2015) Разрушение горных пород при проведении геолого - разведочных работ Nên sử dụng kết nghiên cứu Сибирскии федеральныи университет phương pháp dự báo tốc độ học khoan Красноярск, 396 с tối ưu hố thơng số chế độ khoan cho giếng khoan dầu khí mỏ Nam Rồng - Đồi Mồi, bể Cửu Neskoromnux V.V., (2017) Nguyên lý phá huỷ đất Long, Việt Nam đá khoan thăm dị Trường ĐH Serbria Đóng góp tác giả Krasnodar 336 trang Нескромных В В., Tác giả Nguyễn Tiến Hùng lên kế hoạch, tiến (2017) Разрушение горных пород при бурении скважин Сибирский Nguyễn Tiến Hùng nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(3a), 37 - 47 47 федеральный университет Красноярск, эффективной технологии бурения 336 с скважин на месторождениях Mohaghegh Shahab (2000) Part - Artificial Neural Networks, Virtual - Intelligence углеводородов предприятия Applications in Petroleum Engineering Journal of Petroleum Technology, 52(9), 64 - 73 «Вьетсовпетро» Научно - технический Soloviev N.V., Nguyen Tien Hung (2015) Cơng журнал «Инженер - нефтяник» - No2 - C 45 nghệ khoan mỏ dầu khí thuộc Xí nghiệp Liên doanh Việt - Nga Tạp chí KHKT “Kỹ sư - 49 Dầu khí”, 2, 45-49 Соловьев Н В., Нгуен Тиен Хунг, (2015) Разработка элементов Tripathy S S., Saxena R K., Gupta P K (2013) Comparison of statistical methods for outlier detection in proficiency testing data on analysis of lead in aqueous solution American Journal of Theoretical and Applied Statistics 2(6)