소식

May 30, 2024

GAN 기반 코일형 튜브 드릴링의 매개변수 예측

Scientific Reports 13권, 기사 번호: 10875(2023) 이 기사 인용 266 액세스 1 Altmetric Metrics 세부 정보 코일 튜브 드릴링 기술의 발전이 증가함에 따라

Scientific Reports 13권, 기사 번호: 10875(2023) 이 기사 인용

266 액세스

1 알트메트릭

측정항목 세부정보

코일형 튜브 드릴링 기술의 개발이 증가함에 따라 코일형 튜브 드릴링 기술의 장점이 점점 더 분명해지고 있습니다. 코일형 튜빙의 작동 과정에서 다양한 드릴링 매개변수, 제조 결함 및 부적절한 인간 취급으로 인해 코일형 튜빙이 말려 드릴링이 멈추거나 서비스 수명이 단축되는 문제가 발생할 수 있습니다. 순환 압력, 웰헤드 압력 및 총 중량은 코일형 튜브의 작동 기간에 중요한 영향을 미칩니다. 생산 안전을 위해 본 논문에서는 시추 공학 이론을 연구하고 대량의 다운홀 데이터를 분석한 후 GAN-LSTM을 사용하여 순환 압력, ROP, 웰헤드 압력 및 손가락 무게를 예측합니다. 실험 결과는 GAN-LSTM이 순환 압력, 수원 압력 ROP 및 총 중량의 매개변수를 어느 정도 예측할 수 있음을 보여줍니다. 많은 훈련 후에 정확도는 약 90%로 GAN과 LSTM보다 약 17% 더 높습니다. 이는 코일형 튜빙 작업에 있어 특정 지침의 중요성을 가지며, 작업 안전성과 드릴링 효율성을 높여 생산 비용을 절감합니다.

현대 드릴링 기술의 급속한 발전으로 코일 튜브 드릴링 기술의 장점이 점점 더 분명해지고 있습니다. 코일형 튜빙은 물리적 구조에서 높은 강도와 ​​인성을 갖고 있으며 높은 이동성, 안전성 및 환경 보호라는 장점도 있습니다. 따라서 시추, 완성, 벌목 등 석유 및 가스전 서비스 산업에서 널리 사용됩니다. 코일튜빙은 비교적 호스의 일종이므로 작동 중 말림, 걸림 등의 문제가 발생하여 코일튜빙의 물리적 결함이 발생하여 코일튜빙의 수명이 단축될 수 있습니다. 본 논문에서는 코일형 튜빙의 수명을 늘리고 생산 비용을 절감하며 석유 생산성을 향상시키기 위해 딥러닝 알고리즘을 통해 연속 튜빙의 드릴링 매개변수를 예측합니다. 기계 학습 기술과 코일형 튜브 드릴링 기술을 결합한 연구는 부족합니다. 따라서 딥 러닝 알고리즘과 코일형 튜브 드릴링 기술의 통합은 매우 탐색적이고 가치 있는 프로세스입니다. 이 과정에서 기존의 드릴링 매개변수 예측을 위한 딥러닝 알고리즘을 코일형 튜브 드릴링 매개변수 예측 방법에 적용해야 합니다.

현재 딥러닝 알고리즘은 기존 드릴링에 널리 사용됩니다. 예를 들어, ANN, BP 신경망 모델, CNN 모델 및 ACO는 시추 매개변수의 예측 및 최적화에서 탁월한 결과를 얻었습니다(전체 약어는 표 1에 자세히 설명되어 있음). 관련 정보를 검토한 후. Shao-Hu Liu 외. 코일형 튜빙이 작동 중 저원주 피로 파손이 발생하기 쉬운 문제에 대한 새로운 이론적 모델을 개발했습니다. 이 이론적 모델을 통해 릴 반경, OD 및 내부 압력이 코일형 튜브의 피로 수명에 영향을 미치는 중요한 매개변수라는 것이 밝혀졌습니다1. Wanyi Jianget al. 인공 신경망(ANN)과 개미 군집 알고리즘(ACO)을 결합하여 최적의 ROP를 결정했습니다. 최적의 ROP의 타당성은 베이지안 정규화된 신경망을 ROP 수정 워렌 모델과 비교하여 테스트됩니다2. Chengxi Li와 Chris Cheng은 Savitzky-Golay(SG) 평활화 필터를 적용하여 원본 데이터 세트의 노이즈를 줄였습니다. 그런 다음 IGA는 최적의 ANN 입력 매개변수와 최상의 네트워크 구조를 일치시켜 ROP를 최대화하는 데 사용됩니다3(전체 약어는 표 1에 자세히 설명되어 있음). Cao Jieet al. 기능 엔지니어링 접근 방식을 적용하여 기능 상관 관계 및 상대적 중요도를 기반으로 ROP에 영향을 미치는 기능 값을 분석했습니다. 따라서 물리적 상관관계를 기반으로 한 수동 입력 특성 매개변수가 12에서 8로 줄어들어 네트워크 모델이 실질적으로 단순화됩니다4. Huang et al. 모델이 석유 및 가스 생산 능력의 복잡한 변화 패턴에 적응할 수 있도록 입자 떼 최적화 알고리즘과 LSTM을 통합하여 모델의 견고성을 향상했습니다(전체 약어는 표 1에 자세히 설명되어 있음). 그리고 시계열 데이터에서는 LSTM의 성능이 일반 신경망보다 훨씬 높은 것으로 나타났습니다5. Liu et al. 은 LSTM과 통합 경험 모델을 통합한 학습 모델을 제안하고 유전 알고리즘을 사용하여 LSTM의 하이퍼파라미터를 결정함으로써 모델 예측의 정확도를 크게 향상시킬 수 있습니다. 결과는 이 방법이 유정 생산 예측의 정확성 측면에서 매우 우수한 일반화 성능을 나타냄을 보여줍니다6.