Improved Drilling Efficiency Technique Using Integrated PDM and PDC Bit Parameters
Notice bibliographique
Résumé
Summary In this paper, a new drilling optimization procedure is presented that is designed to improve the drilling efficiency with positive displacement motors (PDMs) and PDC bits. This developed optimization method is based on predicting rate of penetration (ROP) from PDM outputs for any PDC bit design. More specifically, optimization is done for a hole section and optimum values of weight on bit (WOB) and surface RPM are obtained for the section. For given flow rates, estimated values of optimum WOB and surface RPM are used to calculate the corresponding motor differential pressures and the foot by foot ROP values. Also, the method is used to show how improper operational parameter selection can affect total drilling time. A case study was done to consider different PDMs with different lobe configurations and a set of fixed operational parameters. The presented method is verified by generating a confined rock strength log based on drilling data for a previously drilled well in Alberta. This foot-by-foot strength log is compared to a confined rock strength log generated as a follow-up analysis by a commercially available drilling simulator package. Also, a PDM differential pressure log is generated and compared to field-recorded on-bottom differential pressure values. The method's application is best demonstrated by simulating the drilling operation of the Alberta well with three different PDMs. It is shown that consideration of PDM performance/selection in the drilling planning phase will help to perform a safe and cost-effective operation by preventing motor stalls and maintaining highest average ROP for the section. It is also shown that by optimizing WOB and surface RPM values for a constant mud flow rate and predefined bit wear at total depth, a maximum average ROP for the section can be reached for any PDM.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».