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

Abstracto

Las condiciones actuales de bajos precios del petróleo han renovado el énfasis en la optimización de la perforación para ahorrar tiempo en la perforación de pozos de petróleo y gas y reducir los costos operativos.El modelado de tasa de penetración (ROP) es una herramienta clave para optimizar los parámetros de perforación, es decir, 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 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 PDC Bit ROP diferentes: Hareland y Rampersad (1994) y Motahhari. et al.(2010).Estos dos bit PDC Los modelos se comparan con un caso base, la relación ROP general desarrollada por Bingham (1964) en tres formaciones de arenisca diferentes en la sección vertical de un pozo horizontal de lutita 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 la investigación de litologías con parámetros de perforación similares.Además, se lleva a cabo una discusión exhaustiva sobre la importancia de seleccionar los límites apropiados de los coeficientes del modelo.La resistencia de la roca, considerada en los modelos de Hareland y Motahhari pero no en el de Bingham, da como resultado valores más altos de coeficientes multiplicadores constantes para los primeros modelos, además de un mayor exponente del término RPM para el modelo de Motahhari.Se ha demostrado que el modelo de Hareland y Rampersad tiene el mejor rendimiento de los tres modelos con este conjunto de datos en particular.Se cuestiona la efectividad y aplicabilidad del modelado ROP tradicional, ya que dichos modelos se basan en un conjunto de coeficientes empíricos que incorporan el efecto de muchos factores de perforación que no se tienen en cuenta en la formulación del modelo y que son exclusivos de una litología particular.

Introducción

Las brocas PDC (Compacto de Diamante Policristalino) son el tipo de broca dominante que se utiliza en la perforación de pozos de petróleo y gas en la actualidad.El rendimiento de la broca generalmente se mide por la tasa de penetración (ROP), una indicación de qué tan rápido se perfora el pozo en términos de longitud del pozo perforado por unidad de tiempo.La optimización de la perforación ha estado a la vanguardia de las agendas de las compañías energéticas durante décadas y gana aún más importancia durante el actual entorno de bajos precios del petróleo (Hareland y Rampersad, 1994).El primer paso para optimizar los parámetros de perforación para producir la mejor ROP posible es el desarrollo de un modelo preciso que relacione las mediciones obtenidas en la superficie con la tasa de perforación.

En la literatura se han publicado varios modelos ROP, incluidos modelos desarrollados específicamente para un determinado tipo de broca.Estos modelos ROP generalmente contienen una serie de coeficientes empíricos que dependen de la litología y pueden afectar la comprensión de la relación entre los parámetros de perforación y la tasa de penetración.El propósito de este estudio es analizar el desempeño del modelo y cómo los coeficientes del modelo responden a los datos de campo con diferentes parámetros de perforación, 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 actualmente.Se investigan los datos del campo de perforación en tres formaciones de arenisca con diferentes resistencias de roca, y se calculan y comparan los coeficientes de estos tres modelos entre sí.Se postula que los coeficientes de los modelos de Hareland y Motahhari en cada formación rocosa abarcarán un rango más amplio que los coeficientes del modelo de Bingham, ya que la resistencia variable de la roca no se tiene en cuenta explícitamente en esta última formulación.También se evalúa el rendimiento del modelo, lo que lleva a la elección del mejor modelo ROP para la región de esquisto de Bakken en Dakota del Norte.

Los modelos ROP incluidos en este trabajo consisten en ecuaciones inflexibles que relacionan algunos parámetros de perforación con la velocidad 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 cortador-roca, la broca. diseño, características del ensamblaje del fondo del pozo, tipo de lodo y limpieza del pozo.Aunque estos modelos ROP tradicionales generalmente no funcionan bien cuando se los compara con datos de campo, proporcionan un paso importante hacia técnicas de modelado más nuevas.Los modelos modernos, más potentes, basados ​​en estadísticas y con mayor flexibilidad pueden mejorar la precisión del modelado ROP.Gandelman (2012) ha informado de una mejora significativa en el modelado de ROP mediante el empleo de redes neuronales artificiales en lugar de 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 ROP tradicionales siguen siendo relevantes y proporcionan un método eficaz para analizar cómo un parámetro de perforación específico afecta la tasa de penetración.

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