Optimization of Tripping IN/OUT in Drilling Operations using Machine Learning

Prosjektet sendte en offisiell forespørsel om selve utløsnings-, ut- og boreoperasjonsdataene til Equinor i mars 2021. Equinor gikk med på å forenkle forskningen med sanntidsdata fra de nye kildedataene mens utløsningsverktøyet (NOV DWT) og kablet drill pipe telemetri system (NOV Wired Drill Pipe Telemetry Network). Equinor gikk også med på å gi nedihulls minnedata og annen relevant informasjon som trengs for prosjektet. Selve inn-, ut- og boreoperasjonsdataene er grunnlaget for dette forskningsprosjektet. Disse feltdataene tilhører et av feltene i Barentshavet, Norge. På denne måten kan faktiske feltproblemer knyttet til inn- og utkobling som Equinor støter på, undersøke, og potensielle datadrevne løsninger kan leveres. Dessuten videreutvikler dette et solid forhold mellom akademikere og industri ved å finne nye løsninger på utfordringer innen bore- og brønnkonstruksjonsoperasjoner. Vi har etablert nok et samarbeid med NORCE, som er et av de største forskningsinstituttene i Norge. I Norce pågår flere prosjekter innen boreautomatisering. Vi presenterte PhD-forskningsprosjektet for flere andre bedrifter for forskningssamarbeidet og vi fikk positive tilbakemeldinger fra bedriftene. Mulighetene for å dele kunnskap og ideer med andre forskere fra akademikere og E&P- og boretjenestebransjen vil styrke læring og muligheter for videre samarbeid i andre prosjekter innen boring og brønnkonstruksjon. Prosjektet tar sikte på å implementere datadrevne og fysikkbaserte modelleringsteknikker for å lære innsikten i nedihulls overspennings- og vatttrykkproblemer mens de faktiske feltdataene brukes. Flere forskere implementerte datadrevne metoder for å finne nye løsninger innen ROP-modellering, reservoarstyring, boreoptimalisering, databehandling og har allerede oppnådd lovende resultater. Det forventede resultatet av den pågående doktorgrads forskningen vil gi et innblikk i vattpinne- og over spennings problemet knyttet til å snuble inn og ut av operasjoner og nye løsninger på problemet. Målresultatene fra forskningen vil forbedre ytelsen til tripping-in, tripping-out-prosessen innen bore- og brønn konstruksjonsoperasjoner og vil ytterligere redusere risikoen knyttet til vattpinne og overspenningstrykk. Prosjektets nåværende fase er å utvikle algoritmene for automatisert prosessering av tripping inn, tripping ut og boredata for en faktisk brønn. Skrev en algoritme i Python for å skille fem dagers data fra det faktiske feltet til å trippe inn, trippe ut og bore. Resultatene hentet fra algoritmen ble testet mot sanntidslogger fra brønnen og fant gode samsvar. Under inn- og utløsningsprosessen i boreoperasjoner, implementerer E&P-selskaper Data While Tripping-verktøyet for å oppnå internt, ringformet trykk og temperatur mens de bruker Pressure While Drilling og Enhance Measurement System. Imidlertid er Pressure While Drilling Tool og Enhance Measurement Systems fra to forskjellige leverandører, og sensorene som er montert på disse verktøyene er av varierende kvalitet. Derfor er det viktig å bestemme samsvaret mellom målingene av de samme variablene fra forskjellige metoder. For å undersøke dette som en del av databehandlingen har vi undersøkt ulike metoder. Vi diskuterte denne problemstillingen med professor i statistikk ved institutt for matematikk og statistikk (Jan Terje Kvaløy). Han foreslo at vi implementerte Bland Altman Plot Analysis-teorien brukt i helsevitenskap for å analysere målingene av de samme variablene fra forskjellige metoder. Vi implementerte Bland Altman Plot Analysis-teorien på målinger av trykk under boring og forbedring av målingssystem oppnådd via data mens trippingverktøyet gjennom kablet borerør-telemetrisystem. Resultatene fra Bland Altman Plot viste at når gjennomsnittet er høyere, er forskjellen mellom målingene fra de to sensorene lavere, og når gjennomsnittet deres er lavere, er forskjellen mellom målingene høyere.

-

Method 1) Database Development: A database will be developed to manage the enormous data from high-frequency telemetry (wired drill pipe data) [M. Reeves et. al. 2006]. Today, information is sent from the near bit area of the drill string via mud-pulse telemetry. The signal rate for this form of telemetry is quite low. There are several drawbacks with this form of data transmission in addition to a low data rate: • Poor data quality • Limited number of sensors (a point in time and/or a point in the well) • Communication is unavailable under tripping/connection Wired drill pipe (WDP) [M. Reeves et. al. 2006], developed by NOV can greatly reduce the mentioned problems. Wired drill pipe breaks these constraints by having effectively continuous and multiple sensor measurements along the length of the wellbore [Sanna Z. et. al. 2016]. It has been long recognized that bad data quality is hampering our attempts to make use of the drilling data [Dan Sui, et. al. 2018]. Bad data obstruct integrated planning, burden collaborative environments and hamper workflows. Consistent data quality represents a challenge for the industry and represents a prerequisite for quality decision support. Both technological and systemic challenges must be addressed. If not, bad data quality will remain a barrier to safe and efficient drilling. Method 2) Validation of WDP Data: Develop a method for the validation of the quality of the data while tripping data. Method 3) Quality of the sensors and sensor error will be addressed. Machine learning enables identifying the key variables from thousands of attributes to minimize the noise and errors in the predictive models and reveal hidden relationships between dependent and independent variables. A data-driven control system will be developed while using deep learning & machine learning techniques to automate the tripping in and tripping out of hole process.