KPN Hole Cleaning Monitoring in drilling with distributed sensors and hybrid methods

Effektiv hullrensing for å unngå opphoping av borekaks under boring av brønner er en av forutsetningene for å redusere kostnader og miljøbelastning. Nåværende praksis er for det meste basert på sofistikerte fysikkbaserte beregninger som blir utført før operasjonen starter, i noen tilfeller med sanntidsoppdatering under operasjonen, og på menneskelig vurdering av et begrenset antall målte parametere som for eksempel trender i nettovekten til borestrengen målt når strengen løftes opp og senkes ned igjen. Innføring av dataoverføring med høy båndbredde fra mange sensorer plassert langs borestrengen kan, hvis måleverdiene tolkes nøyaktig, gi mer nøyaktig informasjon om hva som foregår nede i borehullet. Imidlertid krever nøyaktig og pålitelig tolkning matematiske metoder som gjør full bruk av de mange målte parameterne nede i hullet og på overflaten. Følgelig vil dette prosjektet utvikle nye hybride tilnærminger som vil kombinere tolkbarhet, robust grunnlag og forståelse av en fysikkbasert modelleringstilnærming, med nøyaktighet, effektivitet og automatiske mønsteridentifikasjonsevne til avansert maskinlæring og kunstig intelligens, for dermed å oppnå en effektiv og forbedret overvåking av hullrengjøringsprosessen under boreoperasjoner.

Effective hole cleaning during the drilling process is one of the prerequisites to reducing the incurred economic and environmental cost. Current practice is mostly based on sophisticated physics-based calculations done before the operation starts, in some operations with real-time update during operations, and on human assessment of a limited number of measured parameters like for example trends in hook load when picking up and slacking off the drill string when making connections. Introduction of high bandwidth data transmission from sensors at many positions along the string, calls for methods that make full use of the increasing number of measured parameters to determine hole cleaning status more accurately and reliably. Accordingly, this project proposes to develop novel hybrid modelling approaches that will combine the interpretability, robust foundation and understanding of a physics-based modelling approach with the accuracy, efficiency and automatic pattern-identification capabilities of advanced machine learning and artificial intelligence algorithms for more accurate and reliable interpretation of downhole and topside drilling data in real time. The methods will target efficient and improved monitoring of the hole cleaning process during drilling operations.