MétaCan
Menu
Retour à la cohorte
Enregistrement W1989995922 · doi:10.2118/119746-ms

Case History: Automated Drilling Performance Measurement of Crews and Drilling Equipment

2009· article· en· W1989995922 sur OpenAlexaff
Ketil Andersen, Per Arild Sjøwall, Eric Maidla, Buddy King, Gerhard Thonhauser, Philipp Zöllner

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueDrilling and Well Engineering
Établissements canadiensNexen (Canada)
Organismes subventionnairesStatoil
Mots-clésDowntimeCrewTrippingCasingDrillingComputer scienceProcess (computing)Measurement while drillingReliability engineeringEngineeringReal-time computingMechanical engineeringAeronauticsOperating system

Résumé

récupéré en direct d'OpenAlex

Abstract This paper describes the development and implementation of a unique new capability to automatically measure the performance of drilling crews, drilling equipment and downtime. The methodology and supporting technology make it possible to carry out a detailed comparison of the performance of equipment and crews across a large number of installations. The system was tested on 8 drilling units (fixed and mobile) in the North Sea. When the data is analysed and plotted as a histogram (frequency against time taken for each task) the information provided gives: The management a process to select the best supplier based on the performance of its equipment when compared to the technical limit of that equipment.The crews the most consistent and efficient way of working (best practice).The management an automated measuring tool to set and follow up the targets for crew performance.A tool that makes ‘hidden down time’ visible, so appropriate actions can be taken to improve performance.A process to see if operations can be eliminated or considerably reduced in time (reaming, circulating, etc). When it comes to crew handling of the equipment the results show a performance improvement of 30%. There are potential time savings of between 40 to 60% in some individual drilling tasks such as slip to slip connection times and weight to weight connection times. This is achieved by performing each operation in a more efficient and consistent way. Optimizing a number of identified KPIs for drilling, including tripping and casing running times, shows a potential saving of between 8 to 15% of the total well construction time. Automated Drilling Performance Measurement (ADPM) has been proven in over 30 wells on 8 rigs in the North Sea. This paper also describes the implementation strategy and approach including the elements of the change management and training that are required to implement this new drilling performance process.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,057
Score d'incertitude au seuil0,729

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,187
Écart entre enseignants0,164 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations29
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetDrilling and Well EngineeringTravaux en français237 207