Automatic Performance Analysis and Estimation of Risk Level Embedded in Drilling Operation Plans
Notice bibliographique
Résumé
Abstract It is not unusual that the difficulties encountered during a drilling operation can be tracked down to choices made during the planning stage. However, generating a robust drilling operation plan is not easy as there are often substantial uncertainties associated with the actual geological context. To address this problem, a method is proposed that evaluates quantitatively the risk levels of a drilling operational plan as a function of the underlying uncertainty associated with its description. To achieve that goal, the first task is to describe precisely the sources of uncertainties. The limits by which a drilling operation shall conform may be uncertain therefore defining fuzzy risk boundaries. The actual well construction may deviate from the plan, either because of unavoidable uncertainties in measurements as with the actual wellbore position, or because adjustments will be made during the operation such as changes in mud weight and rheology. Finally, the actual possible drilling performance may be subject to unforeseen geological variations and unprecise formation rock strength characteristics. Equipped with this probabilistic environment, we can perform drilling optimization in two successive steps. First, the uncertainty is propagated into drilling simulations, and risks associated to pressure control, cuttings transport, and drillstring stability are evaluated. Second, parameter optimization within the allowed window, can provide a strategy to obtain the best performance possible with respects to acceptable risk levels. As a result, both quantitative risk analysis and drilling optimization under several constraints are available to the drilling engineer as a decision support tool for well planning.
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 ».