Modeling Rate of Penetration in a South Texas Oil Field with Aggregated Well Data in a Supercomputing Framework
Notice bibliographique
Résumé
Abstract The objective of this work is to develop an accurate and practical tool for drilling engineers supporting operations to predict rate of penetration (ROP) in the tangent section of the wellbore using easily obtainable data. Historically, tacit knowledge has been used to predict both ROP and the ideal parameters. Currently, a "roadmap" of ideal parameters for each section of the wellbore is provided to site supervisors. This work was comprised of two major efforts: data acquisition and wrangling, and modeling. Data was obtained from three distinct sources: well files, drilling logs, and survey logs. This data was manually downloaded and imported into open-source software. Due to the size of the data, a university-owned high-performance computer (HPC) was required to process the data. Special care was given to optimizing for memory efficiencies that allowed the HPC to perform these operations. A test data set of 5 wells was used to pilot the data wrangling process and initial linear regression models. Four different model types were produced and evaluated: linear regression, polynomial regression, nonlinear regression, and neural networks. Neural networks provided the best prediction with a R2 of 0.85, with linear models similar in performance with much more usability. The most important variables affecting ROP in the tangent section in descending order are total pump output, rotary speed, hook load, differential pressure, and bit type. To the best of our knowledge, this is the largest dataset of ROP data found in literature, containing over 350 wells and 30 million rows of data. This workflow can be adopted to create other field-specific models or adapted to evaluate other sections of the wellbore. More immediately, this work creates a large database ready to be utilized for developing other models for other sections of the wellbore or undergirded by different computational methodologies.
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 | 0,001 |
| 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 ».