Real

Aug 04, 2023

Scientific Reports volume 12, Número do artigo: 11318 (2022) Citar este artigo

1850 acessos

3 Citações

Detalhes das métricas

A previsão precisa da pressão dos poros em tempo real é crucial, especialmente em operações de perfuração técnica e economicamente. Sua previsão economizará custos, tempo e até mesmo as decisões corretas podem ser tomadas antes que os problemas ocorram. As correlações disponíveis para previsão de pressão de poro dependem de dados de perfilagem, características de formação e combinação de parâmetros de perfilagem e perfuração. O objetivo deste trabalho é aplicar redes neurais artificiais (ANN) e sistema de inferência neuro-fuzzy adaptativo (ANFIS) para introduzir dois modelos para estimar o gradiente de pressão de formação em tempo real através dos dados de perfuração disponíveis. Os parâmetros usados ​​incluem taxa de penetração (ROP), taxa de fluxo de lama (Q), pressão do tubo vertical (SPP) e velocidade de rotação (RS). Um conjunto de dados obtido de alguns poços verticais foi utilizado para desenvolver o modelo preditivo. Um conjunto diferente de dados foi utilizado para validar os modelos de inteligência artificial (IA) propostos. Ambos os modelos previram a saída com um bom coeficiente de correlação (R) para treinamento e teste. Além disso, o erro percentual médio absoluto (AAPE) não ultrapassou 2,1%. Para a etapa de validação, os modelos desenvolvidos estimaram o gradiente de pressão com boa precisão. Este estudo comprova a confiabilidade dos modelos propostos para estimar o gradiente de pressão durante a perfuração usando dados de perfuração. Além disso, uma correlação baseada em ANN é fornecida e pode ser usada diretamente pela introdução de pesos e vieses otimizados, sempre que os parâmetros de perfuração estiverem disponíveis, em vez de executar o modelo de ANN.

A pressão de formação é exercida pelos fluidos dentro do espaço poroso da rocha. Em certa profundidade, o gradiente normal se origina do peso da coluna de água salgada estendida da superfície até o ponto de interesse. O desvio da tendência normal pode ser descrito como anormal, que pode ser subnormal ou sobrepressão1. A pressão normal não é constante e depende das quantidades de sais dissolvidos, tipos de fluidos, presença de gás e gradiente de temperatura. Supernormal ou sobrepressão é a pressão de formação que excede a pressão hidrostática normal, enquanto a pressão subnormal é aquela que é menor que a pressão normal. Supernormal é criado pela pressão normal, além de uma fonte de pressão extra. O excesso de pressão pode ser atribuído a diversos motivos que podem ser geológicos, mecânicos, geoquímicos e combinados2. Zonas de pressão anormais podem levar a problemas técnicos e econômicos graves, como chutes e estouros. A pressão abaixo do normal pode levar à perda de circulação e à aderência diferencial do tubo, resultando na configuração de colunas de revestimento adicionais (custos de perfuração mais altos)2. A estimativa precisa da pressão de formação em tempo real pode fornecer caminho de poço aprimorado e design de revestimento, melhor análise de estabilidade do furo de poço, programa de lama eficaz e custos gerais de perfuração reduzidos3,4.

A estimativa da pressão de formação pode ser quantitativa ou qualitativa. A maioria dessas técnicas depende da comparação gráfica das linhas de tendência normais com as observadas para identificar as alterações anômalas que podem se referir a zonas de pressão anormais. As técnicas existentes na literatura utilizam perfis de poços, propriedades de estratos e parâmetros de perfuração. Hottman e Johnson5 foram os primeiros a estimar a pressão dos poros com base nos dados de perfilagem de folhelho, construindo gráficos cruzados que relacionam o gradiente de pressão à razão de resistividade ou diferença de tempo de viagem sônica entre a tendência observada e a normal. Matthews e Kelly6 utilizaram uma escala semi-log para correlação de Hottman e Johnson. Pennebaker7 substituiu a diferença de tempo de viagem sônica utilizada por Hottman e Johnson5 pela razão de tempo de viagem sônica. O autor estimou a pressão dos poros a partir de um gráfico cruzado X–Y como o de Hottman e Johnson. Essa técnica usou uma única linha de tendência para um determinado tipo de rocha globalmente, mas isso pode não ser verdade para todos os tipos de rocha. Eaton8 confirmou que a pressão de formação e os gradientes de pressão de sobrecarga afetam as propriedades derivadas de log. Como resultado, as correlações de Hottman e Johnson devem ser expandidas para incluir o efeito de estresse de sobrecarga. Eaton8 propôs um modelo empírico baseado em dados sônicos para prever o gradiente de pressão em formações de xisto.