Wie lassen sich die ROP-Modelle von PDC-Meißeln bewerten und welchen Einfluss hat die Gesteinsfestigkeit auf die Modellkoeffizienten?

Abstrakt

Die derzeit niedrigen Ölpreise haben die Bedeutung der Bohroptimierung erneut in den Fokus gerückt, um Zeit beim Bohren von Öl- und Gasquellen zu sparen und Betriebskosten zu senken. Die Modellierung der Bohrgeschwindigkeit (ROP) ist ein wichtiges Werkzeug zur Optimierung der Bohrparameter, insbesondere des Meißelgewichts und der Drehzahl, um schnellere Bohrprozesse zu ermöglichen. Mit dem neuartigen, vollautomatisierten Datenvisualisierungs- und ROP-Modellierungswerkzeug ROPPlotter, das in Excel VBA entwickelt wurde, untersucht diese Arbeit die Modellleistung und den Einfluss der Gesteinsfestigkeit auf die Modellkoeffizienten zweier unterschiedlicher PDC-Meißel-ROP-Modelle: Hareland und Rampersad (1994) sowie Motahhari et al. (2010). PDC-Bit Die Modelle werden anhand einer von Bingham (1964) entwickelten allgemeinen Basisbeziehung für die Bohrgeschwindigkeit (ROP) in drei verschiedenen Sandsteinformationen im Vertikalschnitt einer horizontalen Bohrung im Bakken-Schiefer verglichen. Erstmals wurde versucht, den Einfluss variierender Gesteinsfestigkeit auf die ROP-Modellkoeffizienten zu isolieren, indem Lithologien mit ansonsten ähnlichen Bohrparametern untersucht wurden. Zusätzlich wird die Bedeutung der Wahl geeigneter Grenzen für die Modellkoeffizienten ausführlich diskutiert. Die Gesteinsfestigkeit, die in den Modellen von Hareland und Motahhari, nicht aber in Binghams Modell berücksichtigt wird, führt bei den ersteren Modellen zu höheren Werten der konstanten Multiplikator-Modellkoeffizienten sowie zu einem erhöhten Exponenten des RPM-Terms im Modell von Motahhari. Das Modell von Hareland und Rampersad zeigt mit diesem Datensatz die besten Ergebnisse der drei Modelle. Die Effektivität und Anwendbarkeit der traditionellen ROP-Modellierung wird in Frage gestellt, da solche Modelle auf einer Reihe empirischer Koeffizienten beruhen, die die Wirkung vieler Bohrfaktoren beinhalten, die in der Modellformulierung nicht berücksichtigt werden und für eine bestimmte Lithologie einzigartig sind.

Einführung

PDC-Meißel (Polycrystalline Diamond Compact) sind heute der am häufigsten eingesetzte Meißeltyp beim Bohren von Öl- und Gasquellen. Die Meißelleistung wird typischerweise anhand der Bohrgeschwindigkeit (ROP) gemessen, die angibt, wie schnell das Bohrloch pro Zeiteinheit vorgetrieben wird. Die Optimierung des Bohrprozesses steht seit Jahrzehnten ganz oben auf der Agenda von Energieunternehmen und gewinnt im aktuellen Niedrigölpreisumfeld weiter an Bedeutung (Hareland und Rampersad, 1994). Der erste Schritt zur Optimierung der Bohrparameter für eine optimale Bohrgeschwindigkeit ist die Entwicklung eines präzisen Modells, das die an der Oberfläche gewonnenen Messwerte mit der Bohrgeschwindigkeit in Beziehung setzt.

In der Fachliteratur wurden verschiedene ROP-Modelle veröffentlicht, darunter auch solche, die speziell für bestimmte Bohrmeißeltypen entwickelt wurden. Diese ROP-Modelle enthalten typischerweise eine Reihe empirischer Koeffizienten, die lithologieabhängig sind und das Verständnis des Zusammenhangs zwischen Bohrparametern und Bohrgeschwindigkeit beeinträchtigen können. Ziel dieser Studie ist es, die Leistungsfähigkeit des Modells zu analysieren und zu untersuchen, wie die Modellkoeffizienten auf Felddaten mit variierenden Bohrparametern, insbesondere der Gesteinsfestigkeit, reagieren.PDC-Bit Modelle (Hareland und Rampersad, 1994; Motahhari et al., 2010) werden herangezogen. Die Modellkoeffizienten und die Leistungsfähigkeit werden mit einem Basismodell für die Bohrgeschwindigkeit (ROP) (Bingham, 1964) verglichen, einer vereinfachten Beziehung, die als erstes ROP-Modell in der Industrie weite Verbreitung fand und noch heute Anwendung findet. Bohrdaten aus drei Sandsteinformationen mit unterschiedlicher Gesteinsfestigkeit werden untersucht, und die Modellkoeffizienten dieser drei Modelle werden berechnet und miteinander verglichen. Es wird angenommen, dass die Koeffizienten der Modelle von Hareland und Motahhari in den einzelnen Gesteinsformationen einen größeren Bereich abdecken als die Koeffizienten des Modells von Bingham, da die unterschiedliche Gesteinsfestigkeit in der letztgenannten Formulierung nicht explizit berücksichtigt wird. Die Modellleistung wird ebenfalls bewertet, woraus das beste ROP-Modell für die Bakken-Schieferformation in North Dakota ausgewählt wird.

Die in dieser Arbeit verwendeten ROP-Modelle bestehen aus starren Gleichungen, die einige wenige Bohrparameter mit der Bohrgeschwindigkeit in Beziehung setzen und empirische Koeffizienten enthalten. Diese Koeffizienten kombinieren den Einfluss schwer modellierbarer Bohrmechanismen wie Hydraulik, Interaktion zwischen Bohrmeißel und Gestein, Meißelkonstruktion, Eigenschaften der Bohrlochsohlenanordnung, Spülungstyp und Bohrlochreinigung. Obwohl diese traditionellen ROP-Modelle im Vergleich zu Felddaten in der Regel keine guten Ergebnisse liefern, bilden sie eine wichtige Grundlage für neuere Modellierungstechniken. Moderne, leistungsfähigere, statistikbasierte Modelle mit erhöhter Flexibilität können die Genauigkeit der ROP-Modellierung verbessern. Gandelman (2012) berichtete über eine signifikante Verbesserung der ROP-Modellierung durch den Einsatz künstlicher neuronaler Netze anstelle traditioneller ROP-Modelle in Ölquellen in den Präsalzbecken vor der Küste Brasiliens. Künstliche neuronale Netze wurden auch in den Arbeiten von Bilgesu et al. (1997), Moran et al. (2010) und Esmaeili et al. (2012) erfolgreich zur ROP-Vorhersage eingesetzt. Diese Verbesserung der Bohrgeschwindigkeitsmodellierung geht jedoch auf Kosten der Modellinterpretierbarkeit. Daher sind traditionelle Bohrgeschwindigkeitsmodelle weiterhin relevant und bieten eine effektive Methode, um zu analysieren, wie sich ein bestimmter Bohrparameter auf die Bohrgeschwindigkeit auswirkt.

ROPPlotter, eine in Microsoft Excel VBA entwickelte Software zur Visualisierung von Felddaten und zur Modellierung der Wasserreife (ROP) (Soares, 2015), wird zur Berechnung von Modellkoeffizienten und zum Vergleich der Modellleistung eingesetzt.