La inteligencia artificial para la litología a través de datos en tiempo real de perforación

INTRODUCCION

Durante la perforación, es importante obtener suficiente información sobre la formación para ser perforado por adelantado para optimizar la selección de broca, la predicción de la circulación, la optimización de parámetros de perforación, la prevención de problemas de en terreno, y los problemas de estabilidad del taladro. Con el aumento de la complejidad en las formaciones a perforar, la predicción de la litología se convierte en crucial para la optimización de la broca. El problema de perforación común y costosa más que ha sido siempre experimentada por los ingenieros de perforación es la pérdida de avance y circulación. Se impone enormes gastos a las compañías mineras a causa de uno u otro suplemento de fluido de perforación o problemas de perforación posteriores como adherencia de la barra. También inestabilidad del taladro es uno de los temas importantes que pueden ser vitales cuando las capas de material se presentan en el taladro. Cada uno de estos problemas puede causar gastar millones de dólares para su solución. Se sabe que hay relaciones estrechas entre litología de la formación y los datos de registro; Sin embargo, es imposible conseguir expresiones bien definidas, debido a la alta linealidad y la complicación en sus relaciones. Los métodos convencionales proporcionan medios inexactas para hacer la predicción litología en estas condiciones.

La red neuronal puede establecer complicado mapeo no lineal entre entradas y salidas. Utilizando una red neuronal, podemos agravar la función no lineal simple por N veces para obtener la conversión entre funciones complicadas. A Back-Propagación de red (BP), una de las mayoría de las estructuras de redes neuronales comunes, con una fuerte capacidad de aprendizaje, la tolerancia a fallos y capacidad de anti-jamming, se puede utilizar para analizar las relaciones entre datos de perforación en tiempo real y litología. En este papel, el tipo de formación y litología de la formación se prevé utilizar en tiempo real la perforación de los datos con una precisión aceptable.

Acercarse a, aproximarse

Varios métodos han sido desarrollados para encontrar el tipo de formación y litología durante o después de la perforación. Uno de estos métodos es la recoleccion de corte del muestreo en el cono del taladro y que estos son analizados por el geólogo. En este método, no es posible determinar la litología exactamente cuando una roca se perfora y de hecho uno puede determinar la litología después de alcanzar puntos a la superficie. Pero en alguna situación mediante la especificación de la formación o la litología podemos evitar algunos de los problemas de perforación. Por ejemplo, cuando los cambios de formación desde una alta presión a una baja presión, que pueden conducir a la patada y soplar si este cambio no se determina muy pronto.

Otro método para determinar la litología es utilizando el registro. También está claro que podemos ejecutar un registro después de la perforación de un agujero y los problemas mencionados anteriormente todavía existe. Otro método está utilizando a partir de datos así cerca. Aunque este método es mejor que las antiguas formas pero puede ir acompañada de algunos grandes incertidumbres.

En este trabajo, se introducen los datos de taladros cercanos junto con los datos de perforación en tiempo real de la corriente así a las redes neuronales artificiales para averiguar el tipo y la formación de una capa de litología exactamente cuando se está perforando.

Redes neuronales artificiales

Las redes neuronales artificales se basan libremente en sistemas neuronales biológicos, en que se componen de un sistema interconectado de nodos y recientemente han atraído una gran atención. Puede ser posterior seguimiento en investigaciones a principios de la década de 1950 por McCulloch et al. Rosenblatt ha inventado el perceptrón y aproximadamente al mismo tiempo, Widrow ha desarrollado una red similar llamado Adeline. Después, Minskey et al. demostraron que un montón incluso de cálculos elementales no pueden ser resueltos por los perceptrones de una sola capa.

Rosenblatt también estudió estructuras con más capas y creyeron que podrían superar las limitaciones de los perceptrones simples. Sin embargo, en el aprendizaje del algoritmo se sabe todavía que podrían determinar los pesos necesarios para implementar un determinado cálculo y la mayoría de la comunidad informática dejó el paradigma de la red neuronal durante 20 años. Pero en la década de 1980 de, Hopfield et al. revivieron investigaciones neural-red que coinciden con la introducción de nuevos algoritmos de aprendizaje, tales como la propagación hacia atrás. Mejora de la red neuronal se continúa hasta ahora con la capacidad probada de la simulación del fenómeno muy complejo.

Conclusiones

1. La predicción de la litología en tiempo real podría ser muy útil durante la perforación debido a la posibilidad de controlar una gran cantidad de problemas de perforación, tales como pérdida de avance.

2. Se propuso metodología determinada A para la predicción de tipo formación y litología en cualquier coordenadas de campo utilizando datos operativos.

3. La metodología propuesta se basa en redes neuronales artificiales, cuya capacidad para resolver problemas complicados se ha demostrado.

4. Antes de utilizar cualquier red neuronal, la mineria de datos y control de calidad se debe realizar en los datos disponibles.

5. La Red Neuronal ayuda a tener una predicción precisa de la formación y la litología en cada sector de perforacion.

6. La utilización de la red neuronal artificial se recomienda al tratar con diferentes parámetros relacionados entre sí (como la pérdida de avance).

7. Predicción del rendimiento depende de datos de ejemplo, cuando la predicción se hace en otras regiones, el modelo debe ser nueva formación.

8. El uso de la red neuronal de formaciones perforadas predice con gran grado de precision y de red de resultados, tambien muestran una buena compatibilidad de datos en tiempo real en campo.

Usemos la litogia, que es una buena herramienta en perforacion y tambien en Voladura, mas aun para predecir resultados "antes de" y no solo "durante" o "despues de".

Dino Yancachajlla.