MétaCan
Menu
Retour à la cohorte
Enregistrement W4413391455 · doi:10.1115/omae2025-157480

Investigation of PDC Drill Bit Wear and its Effect on Drilling Performance

2025· article· en· W4413391455 sur OpenAlexaff
J. Mølgaard, Stephen Butt

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésDrillingDrill bitDrillBit (key)Computer scienceEngineeringMechanical engineeringComputer security

Résumé

récupéré en direct d'OpenAlex

Abstract Drill bit wear and damage is a major cause of bit pullout, from the well. This increases Non-Productive Time (NPT) and cost of drilling. Presented work is focussed on the wear investigation of a 6-inch diameter PDC drill bit used for field trials conducted in the year 2014, to compare conventional drilling with p-VARD assisted drilling. A total of 461.8 ft of formation, comprising of alternating layers of red and grey shales is drilled using the bit. A term “Wear percentage” is used, based on IADC dull grading system for PDC bits, representing the recorded wear. Another term “Wear metric” is used based on literature to determine the conditions leading to bit wear. A mathematical model is utilized to better understand the effect of factors like drill bit wear, rock formation strength and its abrasiveness on observed ROP. A linear relationship between ROP and recorded wear is observed for conventional drilling. Mathematical model used underestimates the ROP values for the intervals drilled using p-VARD tool. Cone cutters are completely damaged showing catastrophic failure, nose and gauge cutters show more gradual wear. Study shows no evidence of any effect of p-VARD tool application in increasing wear of PDC drill bit used. Stick-slip and chaotic whirl observed is the reason of the type of wear and severity of wear reported. Vibrations and excessive WOB, beyond founder’s point cause the damage of cone cutters.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,225
Score d'incertitude au seuil0,223

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,208
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced machining processes and optimizationTravaux en français237 207