Abstrakt
De nuværende lave oliepriser har fornyet vægten på boreoptimering for at spare tid ved boring af olie- og gasbrønde og reducere driftsomkostningerne.Rate of penetration (ROP)-modellering er et nøgleværktøj til optimering af boreparametre, nemlig borehovedvægt og rotationshastighed for hurtigere boreprocesser.Med et nyt, fuldautomatisk datavisualiserings- og ROP-modelleringsværktøj udviklet i Excel VBA, ROPPlotter, undersøger dette arbejde modellens ydeevne og virkningen af stenstyrke på modelkoefficienter for to forskellige PDC Bit ROP-modeller: Hareland og Rampersad (1994) og Motahhari et al.(2010).Disse to PDC bit modeller sammenlignes med en basis case, generel ROP-relation udviklet af Bingham (1964) i tre forskellige sandstensformationer i det lodrette snit af en horisontal Bakken-skiferbrønd.For første gang er der forsøgt at isolere effekten af varierende stenstyrke på ROP-modelkoefficienter ved at undersøge litologier med ellers lignende boreparametre.Derudover gennemføres en omfattende diskussion om vigtigheden af at vælge passende modelkoefficientgrænser.Stenstyrke, der tages højde for i Harelands og Motahharis modeller, men ikke i Binghams, resulterer i højere værdier af konstante multiplikatormodelkoefficienter for de tidligere modeller, foruden en øget RPM-termeksponent for Motahharis model.Hareland og Rampersads model er vist at klare sig bedst ud af de tre modeller med netop dette datasæt.Effektiviteten og anvendeligheden af traditionel ROP-modellering sættes i tvivl, da sådanne modeller er afhængige af et sæt empiriske koefficienter, der inkorporerer virkningen af mange borefaktorer, der ikke er taget højde for i modellens formulering, og som er unikke for en bestemt litologi.
Introduktion
PDC (Polycrystalline Diamond Compact) bits er den dominerende bit-type, der anvendes ved boring af olie- og gasbrønde i dag.Bitydelsen måles typisk ved penetrationshastigheden (ROP), en indikation af, hvor hurtigt brønden bores i forhold til længden af det borede hul pr. tidsenhed.Boreoptimering har været på forkant med energiselskabernes dagsordener i årtier nu, og det får yderligere betydning under det nuværende lave olieprismiljø (Hareland og Rampersad, 1994).Det første trin i optimering af boreparametre for at producere den bedst mulige ROP er udviklingen af en nøjagtig model, der relaterer målinger opnået ved overfladen til borehastigheden.
Adskillige ROP-modeller, herunder modeller udviklet specifikt til en bestemt bittype, er blevet publiceret i litteraturen.Disse ROP-modeller indeholder typisk en række empiriske koefficienter, der er litologiafhængige og kan forringe forståelsen af sammenhængen mellem boreparametre og penetrationshastighed.Formålet med denne undersøgelse er at analysere modellens ydeevne og hvordan modelkoefficienter reagerer på feltdata med varierende boreparametre, især stenstyrke, for toPDC bit modeller (Hareland og Rampersad, 1994, Motahhari et al., 2010).Modelkoefficienter og ydeevne sammenlignes også med en basis-case ROP-model (Bingham, 1964), en forenklet relation, der fungerede som den første ROP-model, der blev anvendt bredt i industrien og stadig er i brug.Borefeltdata i tre sandstensformationer med varierende stenstyrker undersøges, og modelkoefficienter for disse tre modeller beregnes og sammenlignes med hinanden.Det postuleres, at koefficienter for Harelands og Motahharis modeller i hver klippeformation vil spænde over et bredere område end Binghams modelkoefficienter, da varierende klippestyrke ikke tages eksplicit i betragtning i sidstnævnte formulering.Modelydelsen evalueres også, hvilket fører til valget af den bedste ROP-model til Bakken-skiferregionen i North Dakota.
ROP-modellerne, der er inkluderet i dette arbejde, består af ufleksible ligninger, der relaterer nogle få boreparametre til borehastigheden og indeholder et sæt empiriske koefficienter, som kombinerer indflydelsen af svære-at-modellere boremekanismer, såsom hydraulik, cutter-rock interaktion, bit design, bundhulssamlingskarakteristika, muddertype og hulrensning.Selvom disse traditionelle ROP-modeller generelt ikke klarer sig godt sammenlignet med feltdata, udgør de et vigtigt springbræt til nyere modelleringsteknikker.Moderne, mere kraftfulde, statistikbaserede modeller med øget fleksibilitet kan forbedre nøjagtigheden af ROP-modellering.Gandelman (2012) har rapporteret betydelig forbedring af ROP-modellering ved at anvende kunstige neurale netværk i stedet for traditionelle ROP-modeller i oliebrønde i præ-saltbassinerne ud for Brasilien.Kunstige neurale netværk bruges også med succes til ROP-forudsigelse i Bilgesu et al.(1997), Moran et al.(2010) og Esmaeili et al.(2012).En sådan forbedring i ROP-modellering kommer imidlertid på bekostning af modellens fortolkning.Derfor er traditionelle ROP-modeller stadig relevante og giver en effektiv metode til at analysere, hvordan en specifik boreparameter påvirker penetrationshastigheden.
ROPPlotter, et feltdatavisualiserings- og ROP-modelleringssoftware udviklet i Microsoft Excel VBA (Soares, 2015), bruges til at beregne modelkoefficienter og sammenligne modellens ydeevne.
Indlægstid: 01-09-2023