Taking a Different Approach to Drilling Data Aggregation to Improve Drilling Performance
Notice bibliographique
Résumé
Abstract Currently, there is a multitude of commercially available real-time drilling data aggregation and distribution systems, yet the industry remains plagued with issues that limit the usability and effectiveness of data before, during, and after a well is drilled. There are challenges with moving, merging, analyzing, qualifying, and formatting data as well as having access to like-data in sufficient quantity and on a reliable data frequency. This paper discusses a novel, adaptable, and low cost approach to building a system to drive drilling performance and set the stage for future automation. The Operator embarked on a project to develop a powerful, low cost system in order to leverage both high and low frequency data to gain value from real-time data models and algorithms at the rig site. High frequency data is defined as 1 to 100 Hertz data frequency. Low frequency data is defined as longer than once per hour or asynchronous, and is usually contextual - BHA information, mud reports, rig state, etc. Existing commercial systems fail to meet the requirements due to multiple factors. These include an inability to handle and process high frequency data, communicate with different protocols, and work across different proprietary systems. The result leads to higher costs, extra human resources and efforts, and a lack of consistency across a diverse rig fleet. Druing this process severe data quality issues were discovered at the rig site and needed the flexibility to modify, replace, or add sensors and data streams to remedy the problem. After evaluating more than thirty potential process controls and other industry applications, a software solution was selected, prototyped, tested and deployed to seven North American land rigs within a ten month period. This effort employed the agile development methodology which is an incremental, iterative work cadence using empirical feedback for rapid deployment of updated versions. The system was designed to take in all forms of data, file types, and communication protocols for seamless integration. The system includes rig state determination, data quality verification, a real time Bayesian model for analytics and smart alarms, integration to the Daily Drilling Report (DDR) database, real-time visualizations, and an open application layer with a Human Machine Interface (HMI) - all at the rig site. Ultimately the platform can also be used as a building block to assist automated drilling due to it being a Supervisory Control Advisory and Data Acquisition (SCADA) system although this is not the goal for this project.
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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».