ニュース

May 30, 2024

GANに基づくコイルドチューブ穴あけ加工のパラメータ予測

Scientific Reports volume 13、記事番号: 10875 (2023) この記事を引用 266 アクセス 1 Altmetric Metrics の詳細 コイル状チューブの穴あけ技術の発展に伴い、

Scientific Reports volume 13、記事番号: 10875 (2023) この記事を引用

266 アクセス

1 オルトメトリック

メトリクスの詳細

コイルドチューブ穴あけ技術の発展に伴い、コイルドチューブ穴あけ技術の利点がますます明らかになってきています。 コイル状チューブの操作プロセスでは、さまざまな異なる穴あけパラメータ、製造上の欠陥、人による不適切な取り扱いにより、コイル状チューブが丸まり、穴あけの詰まりや耐用年数の短縮の問題が発生する可能性があります。 循環圧力、坑口圧力、総重量は、コイルドチューブの稼働期間に重要な影響を与えます。 生産の安全性のために、この論文では、掘削工学理論を研究し、大量のダウンホールデータを分析した後、GAN-LSTMを使用して循環圧力、ROP、坑口圧力、およびフィンガー重量を予測します。 実験結果は、GAN-LSTM が循環圧力、坑口圧力 ROP、総重量のパラメータをある程度予測できることを示しています。 多くのトレーニングを行った後の精度は約 90% であり、GAN や LSTM の精度よりも約 17% 高くなります。 これは、コイルドチューブの操作において一定の指導的な重要性を持ち、操作の安全性と掘削効率を向上させ、それによって生産コストを削減します。

最新の掘削技術の急速な発展に伴い、コイルドチューブ掘削技術の利点がますます明らかになってきています。 コイルドチューブは、物理的構造において高強度と靭性という特徴を持ち、また、高い可動性、安全性、環境保護という利点もあります。 したがって、掘削、完成、伐採などの石油およびガス田サービス産業で広く使用されています。 コイルドチューブは比較的ホースの一種であるため、使用中にカールや詰まりなどの問題が発生し、コイルドチューブの物理的欠陥の発生を引き起こし、コイルドチューブの寿命を短くする可能性があります。 この論文では、コイルドチューブの耐用年数を延ばし、生産コストを削減し、石油生産性を向上させるために、深層学習アルゴリズムによって連続チューブの穴あけパラメータを予測します。 機械学習技術とコイル状チューブの穴あけ技術を組み合わせた研究は不足しています。 したがって、深層学習アルゴリズムとコイルドチューブ穴あけ技術の統合は、非常に探索的で価値のあるプロセスです。 このプロセスでは、従来の掘削パラメータ予測のための深層学習アルゴリズムをコイルドチューブの掘削パラメータ予測方法に適用する必要があります。

現在、深層学習アルゴリズムは従来の掘削で広く使用されています。 たとえば、ANN、BP ニューラル ネットワーク モデル、CNN モデル、および ACO は、掘削パラメータの予測と最適化において優れた結果を達成しています (完全な略語の詳細は表 1 に記載されています)。 関連情報を確認した後。 Shao-Hu Liu et al. は、コイル状チューブが動作中に低周囲疲労破壊を起こしやすいという問題に対する新しい理論モデルを開発しました。 この理論モデルにより、リール半径、外径、内圧がコイル状チューブの疲労寿命に影響を与える重要なパラメータであることがわかりました1。 Wanyi Jiang et al. は、人工ニューラル ネットワーク (ANN) とアリ コロニー アルゴリズム (ACO) を組み合わせて最適な ROP を決定しました。 次に、ベイジアン正則化ニューラル ネットワークと ROP 修正ウォーレン モデルを比較することで、最適な ROP の妥当性がテストされます2。 Chengxi Li と Chris Cheng は、Savitzky-Golay (SG) 平滑化フィルターを適用して、元のデータ セットのノイズを削減しました。 次に、IGA を使用して、最適な ANN 入力パラメータと最適なネットワーク構造を一致させることで ROP を最大化します 3 (完全な略語の詳細は表 1 に記載されています)。 曹杰ら。 は、特徴エンジニアリング アプローチを適用することにより、特徴相関と相対重要性に基づいて ROP に影響を与える特徴値を分析しました。 したがって、物理的相関に基づく手動入力特徴パラメータは 12 から 8 に減り、ネットワーク モデルが大幅に簡素化されます4。 黄ら。 粒子群最適化アルゴリズムと LSTM を統合することでモデルの堅牢性が向上し、石油とガスの生産能力の複雑な変動パターンにモデルが適応できるようになりました (完全な略語の詳細は表 1 に示されています)。 そして時系列データにおいては、LSTM の性能が通常のニューラルネットワークよりもはるかに高いことが分かりました5。 劉ら。 LSTM と統合経験モデルを統合した学習モデルを提案し、遺伝的アルゴリズムを使用して LSTM のハイパーパラメータを決定します。これにより、モデル予測の精度が大幅に向上します。 結果は、この方法が坑井生産量の予測精度の点で非常に優れた一般化パフォーマンスを示していることを示しています6。