On the Potential of Utilizing Laboratory-Scale Experimental Setup as Proxy For Real-Life Applications: Time Series Analysis and Prediction for Hole Cleaning

Abstract

Hullrensing er en viktig del av oljeboring. Hullresning innebærer å fjerne borekaks fra brønnen ved hjelp av en borevæske. Ytelsen til hullresingsprosessen kan måles ved sirkulasjonstrykket (ECD), som påvirkes av forskjellige faktorer og kontrollparametre. Å predikere ECD nøyaktig kan bidra til å optimalisere hullrensing og unngå problemer, som at borerørene setter seg fast, for tidlig slitasje på boret, lav borehastighet, formasjonsbrudd og tap av sirkulasjon, som alle kan føre til økt nedetid. Men, å samle inn og prosessere data fra oljeboring er dyrt og datarensing er tidkrevende. Denne oppgaven foreslår å bruke billig labskala data fra et drivhus som erstatning for data fra oljeboring og å evaluere og sammenligne forskjellige tidsserieanalysemetoder og -teknikker for analyse og prediksjon ved å bruke denne billige dataen. Hovedkomponentanalyse (PCA), empirisk modusdekomponering (EMD), ensemble empirisk modusdekomponering (EEMD) og rask Fourier-transformasjon (FFT) blir brukt til å analysere dynamikken i drivhusdataen, og PCA blir brukt for å analysere dynamikken i oljeboredataen. Et fremovermatet nevrealt nettverk (FFNN) og to langt korttidsminne-nettverksbaserte nettverk predikerer temperaturen og luftfuktigheten i drivhuset og det nettverket med best prediksjon blir brukt til å predikere ECD i oljeboredataen. Resultatene viser at drivhusdataen can brukes som en erstatning for boredata og at metodene og teknikkene som fungerer bra på drivhusdataen og fungerer bra på oljeboringdataen. Til slutt foreslås retninger for fremtidig arbeid som å lage en labskala modell som genererer data som bedre representerer dynamikken i oljedrillingdataen. Å bruke kontinuerlig læring sammen med LSTM blir også foreslått som en metode som kan bidra til modeller som generaliserer bedre og dermed håndterer forskjellige datamønstre bedre.

Hole cleaning is a critical process in oil drilling that involves removing the cuttings from the wellbore using a drilling fluid. The performance of hole cleaning can be measured by the equivalent circulating density (ECD), which is affected by various factors and control parameters. Predicting ECD accurately, can help to optimize hole cleaning and prevent problems such as mechanical pipe sticking, premature bit wear, slow drilling rate, formation fracturing, and loss of circulation, all which may lead to increased nonproductive time. However, collecting and processing real oil drilling data is costly and cleaning the data is time consuming. This thesis propose to use cheap lab scale data from a greenhouse as a proxy for oil drilling data, and to evaluate and compare different time series analysis and forecasting methods using this cheap laboratory-scale data. Principal component analysis (PCA), empirical mode decomposition (EMD), ensemble empirical mode decomposition (EEMD) and fast Fourier transform (FFT) are used to analyse the dynamics of the greenhouse data, and PCA, EMD and EEMD are used to analyse the dynamics of the oil drilling data. Feed-forward neural network (FFNN) and long short-term memory (LSTM) based neural network are used to predict temperature and humidity for greenhouse data and the best performing model are used for ECD prediction in oil drilling. The results shows that the greenhouse data can serve as a proxy for the oil drilling data, and that the methods and techniques that provides useful insights and accurate predictions in the greenhouse data, also performs good on the drilling data. Lastly, directions of future work are suggested, such as creating laboratory-scale setups that better mimics the dynamics of oil drilling and to investigate LSTM with continuous learning to make models that better generalizes on different pattern in the data.