Geri Dön

Prediction of flow rates from different entries using PLT p-T measurements in a horizontal well by machine learning methods

Makine öğrenmesi teknikleri ile bir yatay kuyunun farklı girişlerin debilerinin PLT p-T ölçümlerinden tahmini

PDF İndir

  1. Tez No: 771644
  2. Yazar: MUHARREM HİLMİ ÇEVİK
  3. Danışmanlar: DOÇ. DR. MURAT ÇINAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Petrol ve Doğal Gaz Mühendisliği, Petroleum and Natural Gas Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Petrol ve Doğal Gaz Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 97

Özet

Enerji ve hammadde kaynağı olan petrol neredeyse bir yüzyıldır önemini korumaktadır, ve insanlık her ne kadar alternatifini arasa da şimdiye kadar petrol ve doğal gazın yerini alabilecek enerji ve hammadde kaynağı bulamamıştır. Petrol üretim sürecinin kökeni ise bir yüzyıldan fazladır. İlk olarak dikey kuyular ile üretilen petrol, teknolojinin gelişmesi ile birlikte, saptırılmış ve yatay kuyulardan da üretilebilmektedir artık. Günümüzde, yatay kuyular oldukça yaygın hale gelmiştir. Üretim logu, temel olarak, akışkanların (su, petrol, gaz) hangi aralıklardan ne kadar aktığını belirlemek için kullanılan bir log yöntemidir. PLT ölçümleri, her bir üretim bölgesinden aşamaları ve oranları belirlemek için belirli dönemlerde petrol kuyularından elde edilir. PLT aracı, kuyu deliği boyunca oranları, basıncı, sıcaklığı ve faz dağılımını ölçer. . Oran, alet üzerindeki eğiricilerle ölçülür. Geleneksel üretim logu araçları sayesinde kuyunun akış profili, basıncı, sıcaklığı, çapı gibi paremetreleri elde etmek mümkündür. İlk olarak dikey kuyular için geliştirilen üretim logu araçları, saptırılmış ve yatay kuyuların yaygınlaşması ile birlikte işlevini kaybetmiştir. Çünkü, saptırılmış ve yatay kuyulardaki akış profili dikey kuyulara göre oldukça karmaşıktır. Geleneksel araçlarla elde edilen veriler mekanik problemlerden kaynaklı sağlıksız veya eksik ölçümler olabilmektedir. Bu dezavantajı ortadan kaldırmak için yeni cihazlar geliştirilmiştir. Bu cihazlar sayesinde, kesit alanı boyunca akış hızı ve hold-up dağılımı elde edilebilmektedir. Yatay kuyularda yapılan PLT testleri, geometrisi nedeniyle maliyetli ve zordur. Oran 500 varil/gün'ün altındaysa iplikçiler operasyon sırasında takılabilir veya güvenilir sonuçlar vermeyebilir. Bu gibi durumlarda, bu maliyetli işlemler başarısız olabilir, ancak basınç ve sıcaklık ölçümlerinde bu tür kısıtlamalar yoktur. Akış hızı ile basınç ve sıcaklık arasındaki korelasyonlar, akış hızlarının tahmin edilmesi için bir temel sağlayabilir. Yatay kuyuların yaygınlaşması yüksek debilerle petrol ve doğal gaz üretimine imkan verdi. Bu durumun ekonomik açıdan oldukça avantajlı olması oldukça açıktır, ancak teknik olarak bir takım problemleri de beraberinde getirdi. Yüksek debi nedeni ile kuyu boyunca sürtünmeden kaynaklı basınç düşüşü artmaktadır, ve dolayısıyla dengesiz bir akış profilş oluşturmaktadır. Nihayetinde, su ve gaz konlaşmasına neden olabilmektedir. Neyseki, gelişmiş sondaj teknolojisinin bir ürünü olan (inflow control device) ICD'ler bu problemlerin çözülmesine yardımcı olmaktadır. Makine öğrenmesi, bir veri girdisini kullanarak, modeli öğrenme ve geliştirme yeteneğidir. Mevcut veri setinden çıkarımlar yaparak veri setinin daha iyi anlaşılmasını sağlar ve girdi verilerini kullanarak tahminler üretilmesine olanak tanır. Makine öğrenmesinin bir diğer özelliği de hızlı olmasıdır. Günlerce sürebilecek analizleri doğru model kullanarak çok kısa süreler içerisinde açıklayabilir. Makine öğrenmesi görüntü tanıma, sınıflandırma, doğrusal regresyonlar gibi bir çok alana etki edebilen geniş bir kullanım imkanı sağlar. Petrol ve gaz sektöründe de oldukça fazla veri toplanmaktadır. Bu durum, ML'nin petrol ve gaz sektöründeki uygulamalarının artacağına işaret etmektedir. Duyarlılık analizinin temel amacı amacı, belirli parametrelerin yatay kuyu boyunca p-T davranışı üzerindeki etkilerini araştırmaktır. Duyarlılık analizi için ticari yazılım kullanıldı. Model, viskozite, geçirgenlik, debi, pürüzlülük skin parametrelerinin kuyu boyunca akış, basınç ve sıcaklık üzerindeki etkilerini incelememizi sağlar. Modelimiz I yönünde 275, J yönünde 51 ve K yönünde 1 grid bloğundan oluşmaktadır. Kuyuyu oluşturan I yönündeki 225 ızgara bloğunun her biri eşit aralıklı ve 10 ft uzunluğundadır. Diğer ızgara blokları logaritmik uzunlukta yerleştirilir ve kuyudan uzaklaştıkça uzunlukları artar. Ayrıca kuyu açık bir kuyudur ve tamamen yataydır. Kuyu deliği çevresinde yerel ızgara iyileştirmesi geliştirilmiştir. Bu modelde, tüm katmanlar tamamen yatay kuyu boyunca nüfuz etmektedir. Bu modelde, ticari kodlar bu fenomeni kaldıramadığı için içeri akış/dışarıdan kaynaklanan basınç düşüşü göz ardı edilir. Altı giriş bölgeli kuyunun uzunluğu yaklaşık 2228 ft'dir. Kuyu tamamen yatay değildir, bazı bölgelerde önemli sapmalar vardır. Bununla birlikte, sürtünme faktörünü belirlemek için tamamen yatay ve yüksek akış hızına sahip bir bölge seçilmiştir. Tüm delikler üretime katkıda bulunur ve toplam üretim 6164 RB/gün civarındadır. Beklendiği gibi, yörünge boyunca kuyu deliği basıncı sabit değildir ve yatay bölümün uç kısmından topuğuna kadar yaklaşık 16,16 psi basınç düşüşü meydana gelir. Pürüzlülüğü hesaplamak için, belirtilen bölgedeki basınç düşüşü belirlendi. Daha sonra ters hesaplama ile kuyunun bağıl pürüzlülüğü belirlendi. Yatay kuyu rezervuar sistemini simüle etmek için ticari bir yazılım kullanıldı. Simülasyon, kuyu deliği ile rezervuar arasındaki ısı transferini, kuyu boyunca basınç ve sıcaklık dağılımını ve akış oranlarını modeller. I, J, K yönündeki temel ızgara bloklarının sayısı sırasıyla 162, 51, 1'dir. Kuyu, J yönünde grid bloklarının ortasında bulunan 26. grid bloğuna yerleştirilmiştir ve I yönünde grid bloklarından 112 tanesini oluşturmaktadır. Kuyu blokları eşit aralıklı değildi ve sayısal performansı iyileştirmek ve yazılımdan üretim günlük verilerini elde etmek için FlexWell seçeneği kullanıldı. Ayrıca I ve J yönlerindeki diğer ızgara blokları eşit değil, logaritmiktir. Kolaylık olması açısından, kottan kaynaklanan basınç farklılıklarını önlemek için kuyuyu saptırılmış olarak modellemek yerine rezervuar kuyuya göre modellenmiştir. Makine öğrenimi teknikleri ile her bir ICD'nin katkısının tahmin edilmesi amaçlanmaktadır. Bu bağlamda, kuyu rezervuar model kullanılarak basınç, sıcaklık ve akış hızı verileri üretilir. Üretilen basınç ve sıcaklık verileriyle, makine öğrenmesi teknikleri kullanılarak hem yüksek debi hem de düşük debi için ayrı akış hızı tahminleri elde edilir. Her makine öğrenimi modelinde, verilerin %70'i eğitim için ve %30'u test için kullanılır. CMG simülatör paketinin bir modülü olan CMOST, sentetik veriler oluşturmak için kullanıldı. Sentetik verilerin değişkenleri, her bir ICD'nin bulunduğu grid bloklarının geçirgenlik değeridir ve bu geçirgenlik değerleri 50 ile 500 md arasında değişmektedir. Geçirgenlik değerleri, düzgün bir dağılımdan rastgele atanır. Sonuç olarak toplam 4828 deney gerçekleştirilmiştir. Bu çalışma ile iki farklı ölçümden elde edilen (yüksek debi-düşük debi) PLT basınç ve sıcaklık verileri kullanılarak, altı adet üretim bölgesinin debisi tahmin edilmiştir. Bu çalışmadaki amaç, PLT'nin düşük debili bölgelerde doğru çalışmaması ve mekanik problemlerden kaynaklanan limitlerine alternatif bir çözüm üretmektir. Bu bağlamda, bir kuyu modeli oluşturulmuş, bu modelin perforasyonlarının katkısı yüksek debi PLT (high choke) verisine göre ayarlanmıştır. Bu ayarlamayı yapmak için perforasyonlara, elde edilen bu modele göre sentetik veriler üretilmiş ve her iki ölçüm için de, makine öğrenmesi teknikleri kullanarak debi tahminleri yapılmıştır. Yüksek debi basınç verisi ile debi tahmini için makine öğrenmesi karar ağacı regresyonu, lineer regresyon, ridge regresyonu ve random forest regresyon kullanılmıştır. Sentetik verinin %70'i eğitim %30'u test için kullanılmıştır. Test skoruna göre karar ağacı regresyonu ve random forest regresyonu en iyi sonuç veren iki yöntemdir. Yüksek debi basınç verisi ile debi tahmini oldukça iyidir ve neredeyse mükemmel eşleşmiştir. Yüksek debi sıkcalık verisi ile debi tahmini de oldukça iyi bir sonuç vermiştir. Düşük debi (Low-choke) basınç ve sıcaklık verisi ile debi tahminine gelince, her iki yöntemin de test skorları 90%'nın üzerindedir, ancak tahminler low-choke debi verisinin uzağında kalmıştır. Ancak her iki ML algoritmasının öğrenme modeli debi tahminleri için umut vericidir. Low-choke için doğruluk puanları yüksektir, bu da bize her iki algoritmanın da sentetik durumlar için makine öğrenimi modelini oldukça iyi bir şekilde oluşturabildiğini gösterir. Ancak, sadece basınç veya sadece sıcaklık parametresi, ML teknikleri kullanılarak ölçülen akış hızının tahmininde hata yüzdeleri yüksektir. Sıcaklık verileri kullanılarak RFR algoritması ile yapılan tahmin, diğer tahminlere göre daha düşük bir hata yüzdesine sahiptir. Daha doğru tahminler için başka parametrelere ihtiyaç olduğu açıktır. Özellikle kuyu deliklerine yerleştirilen ICD'lerin oluşturduğu basınç farkı bilinirse daha iyi bir model uygulanabileceği düşünülmektedir. High-choke durumu için makine öğrenmesi algoritması ölçülen oranları ürettiğinden, yaklaşım umut verici görünüyor; ancak, yaklaşımı genelleştirmek için daha fazla çalışma gerektirir.

Özet (Çeviri)

Oil, which is a source of energy and raw materials, has been maintaining its importance for almost a century, and although humanity has sought alternatives, it has not been able to find a source of energy and raw materials that can replace oil and natural gas to date. The origin of the oil production process is more than a century old. Oil, which was first produced with vertical wells, can now be produced from deviated and horizontal wells with the development of technology. Today, horizontal wells have become quite common. Production logging is basically a logging method used to determine how much fluids (water, oil, gas) flow through which intervals. It is possible to measure parameters such as flow profile, pressure, temperature, ID of the well thanks to traditional production logging tools. Production logging tools, originally developed for vertical wells, have lost their function with the spread of deviated and horizontal wells. Because the flow profile in deviated and horizontal wells is quite complex compared to vertical wells. Data obtained with traditional tools are often unhealthy or incomplete data. New devices have been developed to eliminate this disadvantage. Thanks to these devices, velocity and hold-up distribution across the cross-section can be obtained. However, incomplete-inaccurate data due to mechanical problems and high costs are their disadvantages. The spread of horizontal wells allows oil and natural gas production at high flow rates. It is quite obvious that this situation is very advantageous from an economic point of view, but it also brought with it a number of technical problems. Due to the high flow rate, the pressure drop due to friction increases along the well; thus, creating an unbalanced flow profile. Eventually, water and gas coning may occur. Fortunately, ICDs (inflow control device), a product of advanced sounding technology, help solve these problems. Machine learning is the ability to learn and improve a model using data input. It provides a better understanding of the data set by making inferences from the existing data set and allows predictions to be produced using input data. Another feature of machine learning is that it is fast. It can explain analyzes that can take days in a very short time using the right model. Machine learning provides a wide range of uses that can affect many areas such as image process, classification and linear regressions. A substantial amount of data is also obtained in the oil and gas sector. This indicates that the applications of ML in the oil and gas sector will increase. In high flow wells, the roughness value becomes important as the pressure drop due to friction is high. Also, the fact that the roughness is an unknown parameter, moreover, its variation with time makes it difficult to determine. In this study, a constant flow rate interval is determined. Then, the pressure difference due to inflow-outflow and acceleration is neglected. Since the well model is created by considering the pressure difference due to gravitation, only a pressure difference due to friction is detected in this constant flow rate interval. Then, by applying the reverse solution, the relative roughness is calculated. Defining the flow profile correctly is critical for for each member of subsurface team. Although modern production logging tools are helpful in understanding the flow profile, it is prone to mechanical problems and moreover, logging with optimum conveyance requires long operation times and singinificant logging budget. Therefore, some researchers have used solely pressure and temperature data to estimate flow and determine the contribution of perforations. In addition to empirical and analytical approaches, ML applications have started to emerge recently. Considering both the rapid development of ML and its successful applications, the applicability of ML techniques to the oil and gas industry is promising. In this study, the flow rate of six production zones was estimated by using PLT pressure and temperature data obtained from two different measurements (high-choke-low-choke). The aim of this study is to produce a simple, practical and cost effective solution to the limitations of traditional Array PLT caused by mechanical problems and not working correctly in low flow regions. In this context, a well model was created and the contribution of the perforations of this model was adjusted according to the high-choke PLT (high flow) data. Various skin factors are assigned to perforations to make this adjustment. According to this model, synthetic data was produced and flow rate estimates were made for both measurements using machine learning techniques. Machine learning decision tree regression, linear regression, ridge regression and random forest regression were used for flow estimation with high-choke pressure data. 70% of the synthetic data is used for training and 30% for testing. Decision tree regression and random forest regression based on test score are the two methods that give the best results. The high-choke pressure data and the flow estimation are quite well and almost perfectly matched. Flow estimation with high-choke temperature data also gives a good result. As for flow estimation with low-choke pressure and temperature data, the test scores of both methods are above %90, but the estimates are far from low-choke flow data. However, the learning model of both ML algorithms is promising for estimating flow rate.

Benzer Tezler

  1. Tez No

    100661

    Düşük bir hızlarında konuşma kodlama ve uygulamaları

    Low bit rate speech coding and applications

    TARIK AŞKIN

    Doktora

    Türkçe

    Türkçe

    1999

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. GÜNSEL DURUSOY

  2. Tez No

    46491

    Kısmi aralıklarla tamamlanmış kuyuların performansı

    Selectively-completed well performance

    YILDIRAY ÇINAR

    Yüksek Lisans

    Türkçe

    Türkçe

    1995

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Y.DOÇ.DR. TURHAN YILDIZ

  3. Tez No

    712081

    Makro ihtiyati politika ve finansal istikrar ilişkisi: Türkiye'de konut sektörüne yönelik araçların etkinliği

    The relationship between macro prudential policy and financial stability: Effectiveness of tools for the housing sector in Turkey

    MURAT SARI

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    EkonomiGalatasaray Üniversitesi

    İktisat Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZEHRA YEŞİM GÜRBÜZ

  4. Tez No

    66571

    Sıkıştırılmış sıvı kaynaması

    Subcooled boiling

    ZEHİR FATİH ÖZTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    Nükleer Mühendislikİstanbul Teknik Üniversitesi

    Fizik Ana Bilim Dalı

    PROF. DR. ŞARMAN GENÇAY

  5. Tez No

    752355

    Yuvarlatılmış burunlu geniş başlıklı savakların debi katsayılarının deneysel, sayısal ve makine öğrenmesi destekli belirlenmesi

    Determination of discharge coefficient for the rounded-nose broad-crested weirs by experimental, numerical and machine learning approaches

    HÜSEYİN YABAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İnşaat MühendisliğiEskişehir Osmangazi Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER DEMİREL

Geri Dön