Proven Methods and Techniques to Reduce Torque and Drag in the PrePlanning and Drilling Execution of Oil and Gas Wells
Notice bibliographique
Résumé
Abstract During the period of 2007 to 2009, the operator drilled several wells in the Gulf of Mexico (GOM), in which the predicted surface torque from the pre-well planning phase was higher than topdrive limitations and/or drillpipe specifications. This paper describes the torque and drag reduction methods that were found to be effective when fully applied over a series of wells. These methods were confirmed and proven through the analysis of field data and the use of torque and drag modeling software. This study is based on a case history of a 26,079-ft measured depth (MD), complex S-shaped well, but data from other deepwater GOM wells are presented as well to illustrate those proven techniques. Drilling engineers, application engineers and drilling supervisors can use this comprehensive collection of torque and drag reduction methods in the pre-well planning phase, as well as the drilling execution phase, to minimize risk. Applying these methods will ensure that critical and challenging wells can be successfully drilled to total depth as intended. The torque and drag reduction techniques discussed in this paper range from: Modeling drillstring and BHA modifications Optimizing well path design Using non-rotating drillpipe protectors Deploying mud additives Selecting and integrating a complete drilling systems approach These diverse techniques are proven through the use of data collected during the drilling process, and graphic representations that are discussed and explained in this paper.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».