¿Cómo evaluar los modelos de ROP de brocas PDC y determinar el efecto de la resistencia de la roca en los coeficientes del modelo?

Abstracto

Las actuales condiciones de bajos precios del petróleo han renovado el énfasis en la optimización de la perforación con el fin de ahorrar tiempo en la perforación de pozos de petróleo y gas y reducir los costos operativos. El modelado de la tasa de penetración (ROP) es una herramienta clave para optimizar los parámetros de perforación, a saber, el peso de la broca y la velocidad de rotación para procesos de perforación más rápidos. Con una novedosa herramienta de visualización de datos y modelado de ROP totalmente automatizada desarrollada en Excel VBA, ROPPlotter, este trabajo investiga el rendimiento del modelo y el impacto de la resistencia de la roca en los coeficientes del modelo de dos modelos diferentes de ROP de broca PDC: Hareland y Rampersad (1994) y Motahhari et al. (2010). Estos dos Bit PDC Los modelos se comparan con un caso base, una relación general de ROP desarrollada por Bingham (1964) en tres formaciones de arenisca diferentes en la sección vertical de un pozo horizontal de esquisto Bakken. Por primera vez, se ha intentado aislar el efecto de la variación de la resistencia de la roca en los coeficientes del modelo ROP mediante el estudio de litologías con parámetros de perforación similares. Además, se lleva a cabo una discusión exhaustiva sobre la importancia de seleccionar límites apropiados para los coeficientes del modelo. La resistencia de la roca, considerada en los modelos de Hareland y Motahhari pero no en el de Bingham, resulta en valores más altos de los coeficientes del modelo de multiplicador constante para los primeros modelos, además de un exponente del término RPM aumentado para el modelo de Motahhari. Se demuestra que el modelo de Hareland y Rampersad tiene el mejor desempeño de los tres modelos con este conjunto de datos en particular. Se cuestiona la efectividad y aplicabilidad del modelado tradicional de ROP, ya que dichos modelos se basan en un conjunto de coeficientes empíricos que incorporan el efecto de muchos factores de perforación no considerados en la formulación del modelo y que son únicos para una litología particular.

Introducción

Las brocas PDC (Polycrystalline Diamond Compact) son el tipo de broca predominante en la perforación de pozos de petróleo y gas en la actualidad. El rendimiento de la broca se mide típicamente por la tasa de penetración (ROP), que indica la velocidad de perforación del pozo en términos de longitud de pozo perforado por unidad de tiempo. La optimización de la perforación ha sido una prioridad para las compañías energéticas durante décadas y cobra aún más importancia en el actual entorno de bajos precios del petróleo (Hareland y Rampersad, 1994). El primer paso para optimizar los parámetros de perforación y obtener la mejor ROP posible es el desarrollo de un modelo preciso que relacione las mediciones obtenidas en la superficie con la velocidad de perforación.

En la literatura se han publicado varios modelos de ROP, incluidos modelos desarrollados específicamente para un tipo de broca determinado. Estos modelos de ROP suelen contener una serie de coeficientes empíricos que dependen de la litología y pueden dificultar la comprensión de la relación entre los parámetros de perforación y la tasa de penetración. El propósito de este estudio es analizar el rendimiento del modelo y cómo responden los coeficientes del modelo a los datos de campo con parámetros de perforación variables, en particular la resistencia de la roca, para dosBit PDC modelos (Hareland y Rampersad, 1994, Motahhari et al., 2010). Los coeficientes y el rendimiento del modelo también se comparan con un modelo ROP de caso base (Bingham, 1964), una relación simplista que sirvió como el primer modelo ROP ampliamente aplicado en toda la industria y que todavía se utiliza. Se investigan datos de campo de perforación en tres formaciones de arenisca con resistencias de roca variables, y se calculan los coeficientes del modelo para estos tres modelos y se comparan entre sí. Se postula que los coeficientes para los modelos de Hareland y Motahhari en cada formación de roca abarcarán un rango más amplio que los coeficientes del modelo de Bingham, ya que la resistencia variable de la roca no se considera explícitamente en la formulación de este último. También se evalúa el rendimiento del modelo, lo que lleva a la elección del mejor modelo ROP para la región de esquisto Bakken en Dakota del Norte.

Los modelos ROP incluidos en este trabajo consisten en ecuaciones inflexibles que relacionan algunos parámetros de perforación con la tasa de perforación y contienen un conjunto de coeficientes empíricos que combinan la influencia de mecanismos de perforación difíciles de modelar, como la hidráulica, la interacción broca-roca, el diseño de la broca, las características del conjunto de fondo de pozo, el tipo de lodo y la limpieza del pozo. Si bien estos modelos ROP tradicionales generalmente no se desempeñan bien al compararlos con datos de campo, proporcionan un importante punto de partida para técnicas de modelado más recientes. Los modelos modernos, más potentes y basados ​​en estadísticas, con mayor flexibilidad, pueden mejorar la precisión del modelado ROP. Gandelman (2012) ha reportado una mejora significativa en el modelado ROP mediante el empleo de redes neuronales artificiales en lugar de los modelos ROP tradicionales en pozos petroleros en las cuencas presalinas costa afuera de Brasil. Las redes neuronales artificiales también se utilizan con éxito para la predicción de ROP en los trabajos de Bilgesu et al. (1997), Moran et al. (2010) y Esmaeili et al. (2012). Sin embargo, dicha mejora en el modelado ROP se produce a expensas de la interpretabilidad del modelo. Por lo tanto, los modelos tradicionales de ROP siguen siendo relevantes y proporcionan un método eficaz para analizar cómo un parámetro de perforación específico afecta a la tasa de penetración.

ROPPlotter, un software de visualización de datos de campo y modelado de ROP desarrollado en Microsoft Excel VBA (Soares, 2015), se utiliza para calcular los coeficientes del modelo y comparar su rendimiento.