Maximizing Drilling Performance With Real-Time Surveillance System Based on Parameters Optimization Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With deeper exploration and development of hydrocarbon reservoirs, a novel drilling parameters optimization algorithm, named as Navigation Optimization (NAVO) based on mechanical specific energy (MSE) theory, was investigated to continually improve the rate of penetration (ROP) and drilling performance. From the perspectives of rock mechanics and conservation of energy, the relationship among drilling parameters, ROP and MSE has been derived from comprehensive analysis of optimized drilling mechanism. Based on the R.Teale MSE model, the specific energy concept, considering the effect of hydraulics energy on rock breaking efficiency, is further extended based on the hydro-mechanical specific energy (HMSE). With the principle of maximum ROP and minimum HMSE, drilling parameter recommendation model was established, and a real-time drilling optimization system was developed and named as DrillNAV. The DrillNAV system could monitor all dynamic drilling parameters during drilling operations and feed back the advisory for drillers in real time. A pilot test showed the use of DrillNAV provided about 35% higher ROP with identification of downhole vibrations. It showed that NAVO algorithm can optimize drilling parameters in real time, which can be used to drilling performance evaluation and rock breaking analysis so as to raise the ROP and reduce drilling cost. Key Words : Navigation optimization; Hydro-mechanical Specific energy; Drilling parameter recommendation; DrillNAV system
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle