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:
Trang 1Use 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 history:
Received 07 th Feb 2021
Revised 16 th May 2021
Accepted 16 th June 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, reduces cost and minimizes 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 study, 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), weight 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 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
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).05
Trang 238 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 cơ học khoan và đề xuất giá trị tải trọng lên choòng tối ưu cho các giếng khoan dầu khí tại 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 2
1 Khoa Dầu khí, Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam
2 Dự án block 01&02 t ại công ty PVEP, Hà Nội,Việt Nam
THÔNG TIN BÀI BÁO TÓM TẮT
Quá trình:
Nhận bài 07/02/2021
Sửa xong 16/05/2021
Cha�p nhận đăng 16/06/2021
Nâng cao tốc độ cơ học khoan giúp nâng cao hiệu quả khoan, giảm thiểu nguy cơ phức tạp sự cố, thời gian thi công và giá thành phản phẩm Tốc độ
cơ học khoan phụ thuộc vào nhiều tham số, gặp nhiều khó khăn trong dự báo Vì vậy, nghiên cứu đề xuất giải pháp dự báo tốc độ cơ học khoan với độ chính xác cao nhằm xác định các thông số, chế độ khoan phù hợp giúp nâng cao tốc độ cơ học khoan là cần thiết và quan trọng Nghiên cứu này để xuất
sử dụng mạng nơ-ron nhân tạo, nhằm dự báo tốc độ cơ học khoan từ tài liệu khoan thực tế Bộ số liệu bao gồm 900 mẫu thu được từ các giếng khoan tại
mỏ Nam Rồng Đồi Mồi, chứa 6 thông số đầu vào là các thông số chế độ khoan: tải trọng lên choòng (WOB), trọng lượng riêng dung dịch khoan (MW), tốc
độ quay choòng (RPM), áp suất tại vòi phun (SPP), lưu lượng dung dịch khoan (FR), mô men quay choòng (TQ) Trong quá trình huấn luyện mạng, các thuật toán và số nơ-ron trong lớp ẩn được thay đổi nhằm tìm ra mô hình tối ưu Mô hình mạng nơ-ron nhân tạo được lựa chọn cho kết quả dự báo có
độ chính xác cao và có thể áp dụng cho các giếng khoan tại khu vực nghiên cứu Ngoài ra, dựa vào mô hình dự báo xây dựng được, nghiên cứu này đã thử nghiệm tính toán và đưa ra đề xuất thông số tải trọng lên choòng tối ưu cho khoảng độ sâu 1800÷2300 m cho các giếng khoan khu vực mỏ Nam Rồng
- Đồi Mồi.
© 2021 Trường Đại học Mỏ - Địa chất Tất cả các quyền được bảo đảm
Từ khóa:
Mạng nơ-ron nhân tạo,
Mỏ Nam Rồng Đồi Mồi,
Tốc độ cơ học khoan,
Tối ưu hoá thông số chế
độ khoan
1 Mở đầu
Mỏ Nam Rồng - Đồi Mồi thuộc Bể Cửu Long
nằm tại thềm lục địa Việt Nam, thuộc quản lý của
Xí nghiệp Liên doanh Vietsovpetro Các giếng khoan tại đây thường gặp nhiều phức tạp, sự cố liên quan đến mất ổn định thành giếng khi thi công trong địa tầng Mioxen và Oligoxen do đất đá chứa hàm lượng khoáng vật sét montmonrinolite cao (~60%) (Soloviev, Nguyen, 2015), giếng trong
_
* Tác giả liên hệ
E - mail: nguyentienhung.dk@humg.edu.vn
DOI:10.46326/JMES.2021.62(3a).05
Trang 3tình trạng thân trần, không chống ống thời gian
dài Vì vậy, việc nâng cao tốc độ khoan cơ học
nhằm rút ngắn thời gian thi công, giảm thiểu nguy
cơ sự cố khi thi công là cần thiết và quan trọng
Dựa trên số liệu khoan thực tế trong khoảng
chiều sâu 1800÷2300 m thuộc địa tầng Mioxen
của 2 giếng 406 và 420 mỏ Nam Rồng - Đồi Mồi,
nhóm tác giả tiến hành phân tích, thống kế số liệu
(Bảng 1), xây dựng biểu đồ thể hiện sự thay đổi
của thông số tải trọng lên choòng, tốc độ cơ học
khoan theo chiều sâu thẳng đứng (Hình1)
Qua số liệu thống kê (Bảng 1) và biểu đồ biểu
diễn sự thay đổi tải trọng lên choòng và tốc độ cơ
học khoan theo chiều sâu của 2 giếng 406 và 420
(Hình 1), có một số nhận xét như sau:
- Tốc độ khoan cơ học thay đổi liên tục và không tuân theo quy luật;
- Tốc độ cơ học khoan mà 2 nhà thầu Baker Hughes và Slumberger đạt được cũng rất khác nhau Trong khi nhà thầu Baker Hughes đạt tốc độ
cơ học khoan trung bình 41,73 m/h tại giếng 406, thì nhà thầu Slumberger chỉ đạt 21,4 m/h tại giếng 420;
- Thông số tải trọng lên choòng có ảnh hưởng lớn đến tốc độ cơ học khoan;
- Thông số tải trọng lên choòng mà 2 nhà thầu Baker Hughes và Slumberger sử dụng rất khác nhau Trong khi nhà thầu Schlumbeger sử dụng tải trọng lên choòng dao động trong khoản 0,16÷6,87 tấn, thì nhà thầu Baker Hughes sử dụng thông số này trong khoảng 5,51÷16,35 tấn;
Chiều sâu thẳng
ROP(m/hr)
WOB (ton)
RPM(revs/mn)
TQR(kg.m)
FR (l/s)
SPP (atm)
Mw (kg/l)
Bảng 1 Thống kê các thông số từ 2 giếng khoan 406 và 420 mỏ Nam Rồng - Đồi Mồi
Trang 440 Nguyễn Tiến Hùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(3a), 37 - 47
- Mặc dù nhà thầu Baker Hughes đạt tốc độ cơ
học khoan cao, tuy nhiên, khoảng điều chỉnh thông
số tải trọng lên choòng rất rộng (5,51÷16,35 tấn)
và không tuân theo quy luật;
- Tại khoảng 1800÷1900 m nhà thầu Baker
Hughes sử dụng tải trọng lên choòng trung bình
10,0 tấn nhưng tốc độ cơ học khoan trung bình đạt
được thấp hơn 16,6% so với khoảng 2200÷2300
m khi sử dụng giá trị tải trọng lên choòng nhỏ hơn
(trung bình 9,1 tấn), 35,1 m/h so với 41,2 m/h
- Khi sử dụng giá trị tải trọng lên choòng quá
lớn, mặc dù vẫn duy trì được tốc độ cơ học khoan
ở mức cao, nhưng sẽ làm tăng chi phí năng lượng
phá huỷ, giảm tuổi thọ và tiến độ choòng
Từ những nhận xét bên trên, nhận thấy việc
tìm ra phương pháp dự báo tốc độ cơ học khoan
nhằm xác định giá trị tối ưu tải trọng lên choòng
khi thi công trong địa tầng Mioxen mỏ Nam Rồng
- Đồi Mồi nói riêng và bể Cửu Long nói chung là
cần thiết và quan trọng Việc này không những
giúp tăng tốc độ cơ học khoan, đảm bảo tuổi thọ
và tiến độ của choòng mà còn giảm thời gian thi
công và giá thành xây dựng giếng
Trước đây, dự báo tốc độ cơ học khoan
thường sử dụng mô hình Bourgoyne và Young
(1974) Hiện nay, với sự phát triển của trí tuệ nhân
tạo, đã có nhiều công trình nghiên cứu chứng
minh rằng mạng nơ - ron nhân tạo (ANN) là một
công cụ hữu ích giúp dự báo tốc độ khoan cơ học
chính xác hơn các phương pháp truyền thống
(Irawan và Tunio, 2012; Chandrasekaran và Kumar, 2020; Azim, 2020) Nghiên cứu này đã tiến hành xây dựng mô hình mạng ANN nhằm dự báo tốc độ cơ học khoan từ tài liệu khoan thực tế của 2
giếng khoan mỏ Nam Rồng - Đồi Mồi
2 Xử lý số liệu
2.1 Lọc nhiễu
Trong quá trình huấn luyện, các giá trị dị thường có thể coi như nhiễu vì chúng có thể ảnh hưởng tới tính chính xác và tính tổng quát của mạng ANN Do đó, trước khi sử dụng như dữ liệu đầu vào để huấn luyện mạng, các thông số khoan được hiệu chỉnh và lọc bỏ các giá trị nhiễu dựa theo thuật toán xác định các giá trị ngoại lai Z - score (Tripathy và nnk., 2013) Chỉ số Z - score được xác định bởi công thức:
Trong đó: X mean - giá trị trung bình của tham số; SD - độ lệch chuẩn của tham số
Dựa theo nghiên cứu của Tripathy và nnk
(2013), giá trị Z - score được lựa chọn để xác định
nhiễu trong bộ dữ liệu dựa trên tiêu chí sau:
- Khi z < 2 giá trị phù hợp để sử dụng;
- Khi 2 < z < 3 giá trị nghi ngờ, gây ảnh hưởng
tới kết quả huấn luyện mạng;
- Khi z > 3 tương ứng giá trị nhiễu cần loại bỏ
0
10
20
30
40
50
60
Hình 1 Sự thay đổi tải trọng lên choòng và tốc độ cơ học khoan theo chiều sâu của 2 giếng 406 và 420 mỏ Nam Rồng - Đồi Mồi, Việt Nam: WOB406 và WOB420 - Tải trọng lên choòng của giếng khoan 406 và 420;
ROP406 và ROP420 - Tốc độ khoan cơ học của giếng khoan 406 và 420
Trang 52.2 Phân tích dữ liệu
Việc lựa chọn các thông số đầu vào để huấn
luyện mạng ANN là một bước quan trọng quyết
định tới độ chính xác của mô hình Để có thể đưa
ra quyết định sử dụng các thông số nào làm dữ liệu
đầu vào huấn luyện mạng, nhóm tác giả đã phân
tích mối quan hệ giữa các thông số chế độ khoan
và tốc độ cơ học khoan dựa trên bộ tài liệu từ 2 giếng khoan 406 và 420 mỏ Nam Rồng - Đồi Mồi (Hình 2)
Hệ số tương quan R 2 là chỉ số thống kê đo lường mức độ mạnh yếu giữa hai biến số Khi giá trị hệ số tương quan tiệm cận tới 1 chứng tỏ thông
số đó có mối quan hệ chặt chẽ và ảnh hưởng trực tiếp đến tốc độ cơ học khoan
Hình 2 Hệ số tương quan giữa các thông số chế độ khoan và tốc độ cơ học khoan: a) đối với tải trọng lên choòng (WOB); b) đối với mô men quay choòng (TQ); c) đối với tốc độ quay choòng (RPM); d) đối với áp suất tại vòi phun thuỷ lực (SPP); e) đối với lưu lượng dung dịch khoan (FR); f) đối với trọng lượng riêng
dung dịch khoan (MW)
Trang 642 Nguyễn Tiến Hùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(3a), 37 - 47
Qua Hình 2 nhận thấy, các hệ số tương quan
R 2 của các thông số chế độ khoan và tốc độ cơ học
khoan đều nhỏ hơn 0,5 Điều này chứng tỏ, có thể
coi các thông số này như là các biến độc lập của tốc
độ cơ học khoan và có thể sử dụng chúng như
những thông số đầu vào để huấn luyện mạng ANN
2.3 Chuẩn hoá dữ liệu
Sau khi đã lựa chọn được các thông số đầu
vào, tiến hành chuẩn hoá các thông số này để đưa
vào huấn luyện mạng ANN Dữ liệu đầu vào gồm
nhiều thông số và mỗi thông số lại có các đơn vị và
độ lớn nhỏ khác nhau Điều này tác động tới tính
hiệu quả của thuật toán, thời gian thực hiện, quá
trình hội tụ, hay thậm chí ảnh hưởng cả tới độ
chính xác của mô hình ANN Vì vậy, nhóm tác giả
tiến hành điều chỉnh dữ liệu để các thông số cùng
có chung một tỉ lệ (data scaling) trong khoảng
(0,1) bằng thuật toán Normalization dưới đây:
𝑋𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑧𝑒= 𝑋 − 𝑋𝑚𝑖𝑛
𝑋𝑚𝑎𝑥− 𝑋𝑚𝑖𝑛 (2) Trong đó: X_normalize - giá trị chuẩn hoá; X -
giá trị thực; X_min - giá trị cực tiểu; X_max - giá trị
cực đại
3 Xây dựng mạng nơron nhân tạo (ANN) dự
báo tốc độ cơ học khoan
Mạng ANN là mô hình xử lý thông tin được
mô phỏng dựa trên hoạt động của hệ thống thần
kinh của sinh vật, bao gồm số lượng lớn các nơ -
ron được gắn kết để xử lý thông tin (Mohaghegh,
2000) ANN giống như bộ não con người, được
học bởi kinh nghiệm (thông qua huấn luyện), có
khả năng lưu giữ những kinh nghiệm hiểu biết (tri
thức) và sử dụng những tri thức đó để dự đoán các
dữ liệu chưa biết (unseen data) ANN được xây
dựng dựa trên những giả định sau:
- Thông tin xử lý tại nhiều phần tử đơn giản,
gọi là các nơ - ron;
- Tín hiệu được truyền giữa các nơ - ron thông
qua các kết nối;
- Mỗi kết nối có một trọng số, thông thường
được nhân với tín hiệu truyền qua;
- Mỗi nơ - ron sử dụng một hàm kích hoạt để
xác định tín hiệu đầu ra theo tổng tín hiệu đầu vào
Đặc điểm của mạng ANN có là có khả năng giải
quyết được những vấn đề phức tạp bằng cách làm
sáng tỏ những mối quan hệ phi tuyến, do vậy mà
mạng ANN đã được ứng dụng để giải quyết các vấn
đề thực tế trong nhiều lĩnh vực: công nghệ thông tin, sinh học, quản lý, kinh tế, y tế,… khi mà các quan hệ giữa các yếu tố là phi tuyến
Nghiên cứu này đã sử dụng mạng ANN tiếp tục cung cấp (feed - forward) để dự báo tốc độ cơ học khoan dựa trên tài liệu khoan của 2 giếng khoan 406 - RCDM và 420RC mỏ Nam Rồng - Đồi Mồi Tổng hợp các thông tin về bộ số liệu trình bày trong Bảng 1 Mạng ANN được sử dụng với thuật toán huấn luyện lan truyền ngược (back - propagation) (Mohaghegh, 2000) và hàm kích hoạt tagsig để dự báo vận tốc cơ học khoan từ bộ
dữ liệu mẫu trên, mạng ANN này còn được gọi là mạng nơ - ron lan truyền ngược (back - propagation neural network BPNN) Bộ dữ liệu gồm 989 mẫu bao gồm các thông số: tốc độ cơ học khoan (ROP), tải trọng lên choòng (WOB), lưu lượng dung dịch khoan (FR), tốc độ quay choòng (RPM), áp suất tại vòi phun (SPP), trọng lượng riêng dung dịch khoan (MW), mô men quay choòng (TQ) (Chandrasekaran và Kumar, 2020; Azim, 2020) Bộ dữ liệu này được chia nhỏ với 70% lượng mẫu dùng để huấn luyện mạng, 15% dùng để kiểm tra (test) và 15% để xác nhận (validation) Trong trạng thái học, tập dữ liệu mẫu đưa vào mạng ANN bao gồm cả giá trị đầu vào (inputs): tải trọng lên choòng WOB (tấn), lưu lượng dung dịch khoan FR (l/s), tốc độ quay choòng RPM (v/phút), áp suất tại vòi phun thuỷ lực SPP (atm), trọng lượng riêng dung dịch khoan
MW (kg/l), mô ment tại choòng TQ (m.kg) lẫn giá trị đầu ra (output) là tốc độ cơ học khoan ROP (m/h) Các dữ liệu được tính toán và cho kết quả đầu ra Kết quả đầu ra này của mạng ANN sau một vòng lặp (cycle hoặc iteration) được so sánh với kết quả đầu ra thực tế trong tập mẫu để rút ra sai
số Sai số này được lan truyền ngược trở lại các nơ
- ron đầu ra (output neurons) và nơ - ron ẩn để các
nơ - ron này điều chỉnh lại các trọng số (Hình 3) Quá trình lan truyền theo hai chiều này được tiến hành nhiều lần, cho đến khi sai số đạt tới giá trị cực tiểu nhỏ hơn một giá trị cho phép nào đó, hoặc cho đến khi số vòng lặp đạt đến một giá trị định trước Quá trình học của mạng ANN lan truyền ngược là quá trình học có giám sát Trong nghiên cứu này, nhóm tác giả đã xây dựng và đánh giá các mô hình mạng ANN lan truyền ngược (BPNN) có cấu trúc chung như sau:
Trang 7Trong đó:
- Lớp đầu vào (Input layer) có 6 nơ - ron
(WOB, FR, RP, SPP, MW, TQ ) và lớp đầu ra (Output
layer) có 1 nơ - ron (ROP)
- Hàm kích hoạt cho lớp ẩn (Hidden layer) là
tansig và hàm kích hoạt cho lớp đầu ra là pureline
Điểm khác nhau giữa các mô hình mạng là:
* Số nơ - ron ở lớp ẩn thay đổi 4÷8
* Sử dụng 2 thuật toán học “learning” khác
nhau trong toolbox của Matlab Có nhiều thuật toán huấn luyện lan truyền ngược (backpropagation) khác nhau, chúng khác nhau
về cách tính toán, dung lượng bộ nhớ và không có thuật toán nào là tốt nhất đối với mọi trường hợp (Bảng 2) Ở nghiên cứu này, với khối lượng tài liệu vừa phải, nghiên cứu này đã lựa chọn sử dụng 2 thuật toán trainlm và trainrp
Việc lựa chọn số lượng nơ - ron tối ưu trong lớp ẩn là hết sức quan trọng, phải đảm bảo kết quả
dự báo từ mạng ANN đạt được hệ số tương quan
đủ tốt với dữ liệu mẫu, đồng thời số lượng nơ - ron cũng không nên sử dụng quá nhiều vì nó sẽ dẫn đến hiện tượng quá khớp (overfitting)
Từ kết quả thu được khi chạy các mô hình mạng khác nhau (các Hình 4, 5), khi so sánh hệ số
tương quan R 2 của cả 3 tập huấn luyện, test và validation, nghiên cứu này đã sử dụng mô hình mạng có 8 nơ - ron lớp ẩn và với thuật toán trainlm làm mô hình tối ưu để dự báo tốc độ khoan cơ học
Từ Hình 6 có thể nhận thấy, kết quả tốc độ cơ học khoan dự báo được từ mạng ANN khi so sánh với dữ liệu thực tế có độ chính xác cao và phản ánh được xu thế thay đổi của tốc độ cơ học khoan theo chiều sâu thẳng đứng ở cả 2 giếng
Traingd Gradient descent cơ bản Đáp ứng chậm, sử dụng trong chế độ incremental
Traingdm Gradient descent có quán tính Thường nhanh hơn traingd, sử dụng trong chế độ nấc Traingdx Tốc độ học thay đổi Huấn luyện nhanh hơn traingd nhưng chỉ sử dụng trong chế độ batch Trainrp Resillient backpropagation Đây là thuật toán huấn luyện chế độ batch đơn giản có hội tụ nhanh và ít tốn bộ nhớ Traincgf Thuật toán conjugate gradient fletcher reeves Yêu cầu bộ nhớ trong các thuật toán conjugate gradient Traincgp Thuật toán conjugate polka - ribiere Yêu cầu bộ nhớ lớn hơn traincgf ,tốc độ hội tụ nhanh hơn Trainscg Thuật toán scaled conjugate gradient Đây là thuật toán conjugate gradient duy nhất không yêu cầu định hướng tìm Trainbfg Thuật toán quasi - newtin bfgs Yêu cầu lưu trữ ma trận hessian và có nhiều phép tính hơn các thuật toán conjugate gradient trong mỗi vòng lặp, nhưng thường hội tụ sau vài phép lặp Trainoss Phương pháp one step secant Đây là phương pháp kết hợp giữa phương pháp conjugate gradient và phương pháp quasi - newton Trainlm Thuật toán levengeg - marquardt Thuật toán huấn luyện nhanh đối với mạng có kích thước vừa phải,có tính chất giảm bộ nhớ khi tập huấn luyện lớn Trainbr Thuật toán chuẩn tổng quát hóa Bayesian Là giải thuật huấn luyện levenberg - marquardt được sửa đổi tạo ra mạng tốt hơn,giảm sự phức tạp để mạng hội tụ
Hình 3 Mô hình biểu diễn cấu trúc mạng ANN
Bảng 2 Mô tả các thuật toán huấn luyện mạng ANN
Trang 844 Nguyễn Tiến Hùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(3a), 37 - 47
4 Xác định thông số tải trọng lên choòng tối ưu
nhằm nâng cao tốc độ cơ học khoan
Để xác định thông số tải trọng lên choòng tối
ưu nhằm nâng cao tốc độ cơ học khoan, nhóm tác
giả tiến hành thay đổi giá trị tải trọng lên choòng
lần lượt là: 2 ,4, 6, 8, 10, 12, 14 tấn trong bộ dữ liệu
mẫu và sử dụng mô hình ANN đã xây dựng được,
nhằm dự báo vận tốc cơ học khoan đạt được ở mỗi
trường hợp Thực tế, tốc độ cơ học khoan không
chỉ phụ thuộc vào thông số tải trọng lên choòng
mà còn chịu ảnh hưởng của các thông số khác như:
lưu lượng dung dịch khoan FR (l/s), tốc độ quay
choòng RPM (v/ph), trọng lượng riêng dung dịch
khoan MW, chất lượng dung dịch khoan, Do đó, không thể đưa toàn bộ bộ dữ liệu đầu vào (input) vào mạng ANN mà phải chia nhỏ bộ dữ liệu cho từng trường hợp, ví dụ: với tệp P02 đã lọc và lấy các bộ thông số đầu vào với giá trị tải trọng lên choòng dao động trong khoảng 1÷3 tấn; tệp P04 là các bộ thông số đầu vào có giá trị tải trọng lên choòng nằm trong khoảng 3÷5 tấn, Kết quả là 7
bộ dữ liệu được khởi tạo P02, P04, P06, P08, P10, P12, P14 tương ứng các thông số đầu vào sử dụng tải trọng lên choòng là 2, 4, 6, 8, 10, 12, 14 tấn
Từ 7 bộ dữ liệu trên được đưa vào mạng ANN, kết quả đầu ra (output) thu được là các giá trị dự báo vận tốc cơ học khoan Để so sánh và lựa chọn
Hình 4 Kết quả dự báo khi sử dụng thuật toán
trainlm Hình 5 Kết quả dự báo khi sử dụng thuật toán trainrp
Hình 6 Tốc độ cơ học khoan dự báo từ mạng ANN với dữ liệu thực tế của 2 giếng 406 và 420: Actual ROP406 và Actual ROP420 - Tốc độ cơ học khoan thực tế tại giếng 406 và 420; Predict ROP406 và Predict
ROP420 - Tốc độ cơ học khoan dự báo tại giếng 406 và 420
Trang 9giá trị tải trọng lên choong tối ưu, nghiên cứu đã
so sánh giá trị tốc độ cơ học khoan lớn nhất (max),
nhỏ nhất (min) và trung bình trong mỗi trường
hợp (Hình 7)
5 Thảo luận và kết quả đạt được
Qua biểu đồ thể hiện sự ảnh hưởng của thông
số tải trọng lên choòng đến tốc độ cơ học khoan
sau khi tiến hành chạy qua mô hình ANN (Hình 6),
có một số nhận xét như sau:
- Khi tăng tải trọng lên choòng trong khoảng
2÷8 tấn, tốc độ cơ học khoan tăng mạnh Điều này
phù hợp với các nghiên cứu trước đó và cho thấy
khi độ ngập răng choòng tăng và mức độ làm sạch
đáy giếng tốt thì tốc độ cơ học khoan sẽ tăng tuyến
tính với tải trọng lên choòng (Neskoromnux,
2015; Neskoromnux, 2017; Baron và nnk., 1966);
- Khi tăng tải trọng lên choòng trong khoảng
8÷10 tấn, tốc độ cơ học khoan tăng nhẹ và có xu
hướng ổn định Điều này chứng tỏ đây là khoảng
giá trị hợp lý khi thi công khoan tại đây;
- Khi tăng tải trọng lên choòng trong khoảng
10÷14 tấn, tốc độ cơ học khoan không tăng và có
xu hướng giảm nhẹ Điều này cũng phù hợp với
các nghiên cứu trước đó khi độ ngập răng choòng
tăng nhưng không đáp ứng được mức độ làm sạch
đáy giếng tốt (Neskoromnux, 2015; 2017; Baron
và nnk., 1966);
- Khi tải trọng lên choòng trong khoảng
10÷14 tấn, không những không tăng tốc độ cơ học
khoan mà còn làm tăng tiêu hao năng lượng phá huỷ, làm giảm tuổi thọ và tiến độ của choòng Nghiên cứu cũng nhận thấy một số tồn tại và
đề xuất các giải pháp như sau:
- Thực tế khoan cho thấy, tính chất cơ lý của đất đá thay đổi rất mạnh theo chiều sâu nghiên cứu Để đưa ra được mô hình dự báo tốc độc cơ học khoan chính xác cần chia thành các khoảng khoan chi tiết tương ứng với từng lớp đất đá Tuy nhiên, trong nghiên cứu này do bộ dữ liệu thu thập được chỉ bao gồm tài liệu khoan thực tế của 2 giếng khoan với số lượng mẫu hạn chế nên nghiên cứu này không thể chia thành các khoảng khoan chi tiết Để nâng cao tính chính xác và logic, trong những nghiên cứu tiếp theo sẽ bổ sung thêm tài liệu các giếng khoan lân cận
- Khi sử dụng tài liệu của các giếng khoan khác nhau để xây dựng mô hình dự báo, hai thông số góc nghiên và góc phương vị sẽ có ảnh hưởng lên kết quả và cần được coi như 2 thông số đầu vào để huấn luyện Tuy nhiên, bộ dữ liệu gốc thu thập được lại thiếu 2 thông số này Vì vậy, để nâng cao tính chính xác và logic trong dự báo, nghiên cứu
đề xuất bổ sung 2 thông số góc nghiêng và góc phương vị trong các nghiên cứu tiếp theo
6 Kết luận
Qua các nghiên cứu bên trên, nhóm tác giả đưa ra một số kết luận như sau:
Mạng nơron nhân tạo ANN có khả năng dự
Hình 7 Biểu đồ biểu diễn sự ảnh hưởng của tải trọng lên choòng đến tốc độ cơ học khoan sau khi chạy mô
hình ANN
Trang 1046 Nguyễn Tiến Hùng và nnk./Tạp chí Khoa học Kỹ thuật Mỏ - Địa chất 62(3a), 37 - 47
báo tốc độ cơ học khoan tốt với mức độ chính xác
cao khi tốc độ cơ học khoan dự báo gần như trùng
khớp với kết quả khoan thực tế
Mạng nơron nhân tạo ANN với thuật toán
trainlm có 8 nơ - ron trong lớp ẩn cho kết quả dự
báo ưu việt hơn so với các mô hình khác đối với
các tệp dữ liệu này;
Để tăng độ chính xác trong dự báo của mạng
ANN, cần bổ sung và cập nhật dữ liệu huấn luyện
từ các giếng khoan mới;
Tải trọng lên choòng tối ưu nhằm tăng tốc độ
cơ học khoan nằm trong khoản 8÷10 tấn Điều này
phù hợp với kết quả khoan thực tế khi nhà thầu
Baker Hughes khoan với tải trọng lên choòng
trung bình trong khoảng 7÷13 tấn và đạt tốc độ cơ
học khoan trung bình 41,7 m/h, trong khi nhà
thầu Slumberger sử dụng tải trọng lên choòng
trung bình 1÷3 tấn và đạt tốc độ cơ học khoan
trung bình 21,4 m/h (Hình 1) và (Bảng 1);
Khi tăng tải trọng lên choòng từ 10÷14 tấn,
mặc dù có thể duy trì tốc độ cơ học khoan ở mức
cao nhưng lại làm tăng mô ment quay choòng,
tăng chi phí năng lượng phá huỷ, giảm tuổi thọ và
tiến độ choòng Vì vậy, đối với địa tầng Mioxen
không nên dùng tải trọng lên choòng lớn như vậy;
Ứng dụng mạng ANN không những có thể tối
ưu hoá thông số tải trọng lên choòng mà còn có thể
tối ưu hoá các thông số chế độ khoan khác như: tốc
độ quay choòng RPM, lưu lượng dung dịch khoan
FR,…;
Để nâng cao hiệu quả khoan, cần tiếp tục áp
dụng phương pháp sử dụng mạng ANN nhằm tối
ưu hoá các thông số chế độ khoan khác như: tốc
độ quay choòng RPM (v/ph), lưu lượng dung dịch
khoan FR (l/s), trọng lượng riêng dung dịch khoan
MW (G/cm3),…;
Để ứng dụng rộng rãi phương pháp sử dụng
mạng ANN tối ưu hoá các thông số chế độ khoan
nhằm nâng cao hiệu quả khoan cho các địa tầng
khác, cần bổ sung các thông số biểu thị tính chất
cơ lý của đất đá theo chiều sâu trong bộ thông số
đầu vào;
Nên sử dụng kết quả của nghiên cứu này như
một phương pháp dự báo tốc độ cơ học khoan và
tối ưu hoá thông số chế độ khoan cho các giếng
khoan dầu khí tại mỏ Nam Rồng - Đồi Mồi, bể Cửu
Long, Việt Nam
Đóng góp của các tác giả
Tác giả Nguyễn Tiến Hùng lên kế hoạch, tiến
hành thu thập, xử lý số liệu và kiểm tra tiến độ công việc Nguyễn Thế Vinh và Vũ Hồng Dương thiết kế mô hình mạng nơ - ron nhân tạo (ANN) và đảm nhiệm huấn luyện mạng Doãn Thị Trâm và Phạm Văn Trung thu thập số liệu và chỉnh sửa nội dung
Tài liệu tham khảo
Azim Reda Abdel, (2020) Application of artificial
neural network in optimizing the drilling rate
of penetration of western desert Egyptian wells Springer Nature Switzerland AG
Baron L.I., Beron A.I., Alekhova Z N và nnk (1996) Nguyên lý phá huỷ đất đá trong khoan
Khoa Hoc Matx-Cơ-Va, 244 trang Барон Л И., Берон А И., Алехова З Н и другие (1966) Разрушение горных пород механическими способами при бурении скважин Наука М
244 c
Bourgoyne Jr A T., & Young Jr F S (1974) A multiple regression approach to optimal drilling and abnormal pressure detection Society of Petroleum Engineers Journal,
14(04), 371 - 384
Chandrasekaran Sridharan, Kumar G Suresh (2020) Drilling Efficiency Improvement and Rate of Penetration Optimization by Machine
Learning and Data Analytics International
Journal of Mathematical, Engineering and Management Sciences , 5(3), 381 - 394
Irawan Sonny, Tunio Saleem Qadir (2012) Optimization of Weight on Bit During Drilling Operation Based on Rate of Penetration Model
Research Journal of Applied Sciences, Engineering and Technology, 4(12)
Neskoromnux V.V (2015) Nguyên lý phá huỷ đất
đá trong khoan thăm dò Trương ĐH Serbria
Krasnodar 396 trang Нескромных В В., (2015) Разрушение горных пород при проведении геолого - разведочных работ Сибирскии федеральныи университет Красноярск, 396 с
Neskoromnux V.V., (2017) Nguyên lý phá huỷ đất
đá trong khoan thăm dò Trường ĐH Serbria Krasnodar 336 trang Нескромных В В., (2017) Разрушение горных пород при