An Innovative Approach for Pore Pressure Prediction and Drilling Optimization in an Abnormally Subpressured Basin
Notice bibliographique
Résumé
Abstract Up to now, an indirect generalized method to predict pore pressure under subpressured conditions has not been reported in the literature. In this work, an innovative procedure is presented for estimation of pore pressure and optimization of wells drilled in the abnormally subpressured Deep Basin of the Western Canada Sedimentary Basin (WCSB). The procedure starts with detailed evaluation of 5 wells drilled in a township that covers the study area. Pore Pressure was calculated from Sonic Logs and the Modified D Exponent using Eaton’s Method (Eaton, 1975), which proved to be the most effective approach for abnormal subpressured conditions over a variety of methods tested (Contreras et al., 2011). The optimization procedure was carried out using the Apparent Rock Strength Log (ARSL), which is an effective indicator of formation-drillability and very sensitive to the pore pressure. Next, optimization of individual sections in each well was carried out to determine the optimum types of bits and operational parameters for the lowest cost of drilling. An artificial intelligence function was implemented to set up the optimum combination of parameters in such a way that the rate of penetration (ROP) (m/h) was increased after a number of simulation runs while controlling the bit wear. Especial attention was focused on tight gas reservoirs for selection of the most suitable parameters that increase the quality of drill cuttings. It was concluded that the rollercone bit IADC 547 with at least 0.73 horsepower in the bit per square inch provides the best quality of cuttings for the Nikanassin Group. This is of paramount importance for increasing accuracy in the quantitative determination of permeability and porosity from cuttings particularly in those tight gas reservoirs where the amount of cores is very limited. It is concluded that wells in the Deep Basin of the WCSB can be drilled efficiently with 7 bit runs while keeping the cuttings quality, bit wear and well stability at a significantly high average ROP of 13 m/h. Another conclusion is that the normal trend methods from sonic logs are the most effective approach when dealing with an abnormally subpressured basin.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».