Failure Analysis of the Tripping Operation and its Impact on Well Control
Notice bibliographique
Résumé
As the cost of drilling and completion of offshore well is soaring, efforts are required for better well planning. Safety is to be given the highest priority over all other aspects of well planning. Among different element of drilling, well control is one of the most critical components for the safety of the operation, employees and the environment. Primary well control is ensured by keeping the hydrostatic pressure of the mud above the pore pressure across an open hole section. A loss of well control implies an influx of formation fluid into the wellbore which can culminate to a blowout if uncontrollable. Among the factors that contribute to a blowout are: stuck pipe, casing failure, swabbing, cementing, equipment failure and drilling into other well. Swabbing often occurs during tripping out of an open hole. In this study, investigations of the effects of tripping operation on primary well control are conducted. Failure scenarios of tripping operations in conventional overbalanced drilling and managed pressure drilling are studied using fault tree analysis. These scenarios are subsequently mapped into Bayesian Networks to overcome fault tree modelling limitations such s dependability assessment and common cause failure. The analysis of the BN models identified RCD failure, BHP reduction due to insufficient mud density and lost circulation, DAPC integrated control system, DAPC choke manifold, DAPC back pressure pump, and human error as critical elements in the loss of well control through tripping out operation.
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 | 0,000 | 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 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 ».