NO325151B1 - Fremgangsmate og apparat for dynamisk prediksjonsstyring ved boring ved bruk av neurale nettverk - Google Patents

Description

Foreliggende oppfinnelse vedrører generelt systemer for boring av oljefelt-brønner, og mer spesielt bruk av et neuralt nettverk til å modellere dynamisk opp-førsel i et ikke-lineært boresystem med flere innmatinger.

Oljefeltbrønner blir dannet ved å rotere en borkrone som bæres ved enden av en enhet som vanligvis kalles bunnhullsenheten eller "BHA". BHA blir ført inn i borehullet ved hjelp av et borerør eller et oppkveilingsrør. Rotasjonen av borkronen blir bevirket ved å rotere borerøret og/eller ved hjelp av en slammotor som er avhengig av den anvendte rørledning. For formålet med foreliggende oppfinnelse blir BHA brukt til å betegne en bunnhullsenhet med eller uten borkronen. Tidligere kjente bunnhullsenheter innbefatter vanligvis en eller flere formasjonsevalueringssensorer, slik som sensorer for måling av resistivitet, porøsitet og densitet i formasjonen. Slike bunnhullsenheter innbefatter også anordninger for å bestemme BHA-helning og -asimut, trykksensorer, temperatursensorer, gammastrålingsanordnin-ger og innretninger som bidrar til å orientere borkronen i en spesiell retning og til å endre boreretningen. Akustiske anordninger og resistivitetsanordninger er blitt foreslått for å bestemme laggrenser omkring og i visse tilfeller foran borkronen.

Driftstiden eller nyttetiden for borkronen, slammotoren, lagerenheten og andre elementer i BHA avhenger av den måte disse innretningene blir drevet på

og tilstandene nede i borehullet. Dette innbefatter bergartstype, boretilstander slik som trykk, temperatur, differensialtrykk over slammotoren, rotasjonshastighet, torsjon, vibrasjon, strømningshastighet for borefluidet, kraft på borkronen eller vekten på borkronen ("WOB", Weight-On-Bit), den type borefluid som benyttes og tilstanden til aksial- og radial-lagrene.

Operatører har ofte en tendens til å velge rotasjonshastigheten på borkronen og WOB eller den mekaniske kraft på borkronen som gir den største eller nes-ten største inntrengningshastighet ("ROP", Rate Of Penetration), som over lang tid ikke behøver å være den mest kostnadseffektive boremetode. Høyere ROP kan generelt oppnås ved høyere WOB og høyere rpm, som kan redusere driftsleve-tiden til komponentene i BHA. Hvis noen av de viktige BHA-komponentene svikter eller blir forholdsvis ineffektive, må boreoperasjonene avsluttes for å trekke ut borestrengen fra borehullet for å erstatte eller reparere en slik komponent. Drifts-levetiden til slammotoren ved den mest effektive effektutmating er vanligvis mindre enn for borkronene. Hvis motoren derfor drives ved et slikt effektpunkt, kan motoren svikte før borkronen. Dette vil kreve stans i boreoperasjonen for å hente opp og reparere eller erstatte motoren. Slike fortidligere feil kan i betydelig grad øke borekostnadene. Det er derfor svært ønskelig å overvåke kritiske parametere ved-rørende de forskjellige komponenter i BHA, og ut fra dette å bestemme de ønskede driftsbetingelser som vil gi de mest effektive boreoperasjoner, eller å bestemme funksjonsforstyrrelser (dysfunksjoner) som kan resultere i en komponentsvikt eller tap av boreeffektivitet.

Fysiske og kjemiske egenskaper ved borefluidet nær borkronen kan være betydelige forskjellige fra de på overflaten. For tiden blir slike egenskaper vanligvis målt på overflaten, noe som så blir brukt til å estimere egenskapene nede i borehullet. Fluidegenskaper slik som viskositet, densitet, klarhet, pH-nivå, temperatur-og trykk-profil kan i betydelig grad påvirke boreeffektiviteten. Borefluidegenskaper målt nede i borehullet kan gi nyttig informasjon om de aktuelle boreforhold nær borkronen.

Nyere fremskritt på området dynamisk boring skjedde med utviklingen og innføringen i industrien av "smarte", nedhulls vibrasjonsverktøy for måling under boring (MWD). Disse avanserte MWD-verktøy måler og tolker borestrengvibrasjoner nede i hullet og sender konsentrert informasjon til boreren i sann tid. Den grunnleggende filosofi bak denne løsningen er å forsyne boreren med sanntidsin-formasjon om den dynamiske oppførselen til BHA, slik at boreren kan foreta ønskede korreksjoner. Tidsintervallet mellom bestemmelse av en dysfunksjon og den korrigerende handling var fremdeles betydelig.

Et nedhulls MWD-verktøy med flere sensorer samler inn og behandler dynamiske målinger og genererer diagnostiske parametere som kvantifiserer den vibrasjon som er relatert til borefunksjonsforstyrrelsen. Disse diagnosene blir så øyeblikkelig overført til overflaten via MWD-telemetri. Den overførte informasjon kan presenteres for boreren på en meget enkel form (f.eks. som grønn/gule/røde trafikklys eller fargede søyler), ved å bruke en fremvisningsanordning på riggdekket. Anbefalte korrigerende handlinger blir presentert sammen med de overførte diagnoser. Basert på denne informasjonen og ved å bruke sin egen erfaring, kan boreren så modifisere de relevante styreparametere (slik som krokbelastning, borestrengens omdreiningshastighet (RPM) og slamstrømningshastigheten) for å unngå eller løse et boreproblem.

Etter modifisering av styreparameterne og etter at den neste del av ned-hullsdataene er mottatt på overflaten, observerer boreren resultatene av de korrigerende handlinger ved å bruke fremvisningsanordningen på riggdekket. Om nød-vendig kan boreren igjen modifisere overflatestyringene. Denne prosessen kan fortsette forsøksvis inntil den ønskede boremåte blir oppnådd.

Den kommersielle innføring av avanserte dynamiske MWD-boreverktøy og konseptet med lukket vibrasjonsstyring har resultert i behovet for en mer pålitelig fremgangsmåte til å generere de korrigerende råd som presenteres for boreren. Det er nødvendig å utvikle en pålitelig fremgangsmåte for å velge de riktige bore-styringsparametere for effektivt å korrigere observerte dynamiske funksjonsforstyrrelser. Dette innebærer utvikling av en fremgangsmåte for å forutsi eller prediktere den dynamiske oppførselen til BHA under spesielle boreforhold.

Dynamiske boresimulatorer er blitt utviklet basert på en pseudostatistisk løsning. En systemidentifiseringsteknikk ble brukt til å implementere dette konseptet. Denne løsningen krever innsamling av dynamiske nedhulls- og overflate-boredata sammen med verdier av styringsparameterne på overflaten over betydelige tidsintervaller. Denne informasjonen blir så brukt til å skape en modell som, i en viss utstrekning, simulerer oppførselen til det virkelige boresystem. Selv om denne løsningen representerte et betydelig fremskritt i prediktiv, dynamisk bore-modellering, oppnådde den bare begrenset suksess ettersom den bare var egnet til identifikasjon i lineære systemer. Oppførselen til et boresystem kan imidlertid være betydelig ikke-lineær. Derfor er det ønskelig med andre fremgangsmåter til å modellere den dynamiske oppførselen til boresystemet for å oppnå den nødven-dige grad av prediktiv nøyaktighet.

Sanntidsovervåkning av BHA og dynamisk borkroneoppførsel er en kritisk faktor ved forbedring av boreeffektiviteten. Den gjør det mulig for boreren å unngå ødeleggende borestrengvibrasjoner og å opprettholde optimale boreforhold ved hjelp av periodiske justeringer av forskjellige styringsparametere på overflaten (slik som krokbelastning, RPM, strømningshastighet og slamegenskaper). Valg av de korrekte styringsparametere er imidlertid ikke en triviell oppgave. Noen få iterasjo-ner i parametermodifikasjonen kan være nødvendig før den ønskede effekt blir oppnådd, og selv da kan ytterligere modifikasjon være nødvendig. Av denne grunn er utviklingen av effektive fremgangsmåter for å forutsi den dynamiske oppførse-len til BHA og fremgangsmåter for å velge de riktige styringsparametere, viktig for å forbedre boreeffektiviteten.

US-patentet 6,026,991 beskriver et nedhullsverktøy med en mobilitetsan-ordning som kan bevege verktøyet i et borehull. Mobilitetsanordningen bruker kunstig intelligens (Al) og er brukt for posisjonering av anordningen i en pre-boret brønn og ikke av hele borestrengen. Mobilitetsanordningen er ikke utsatt for vibrasjoner som oppstår i borestrengen under boring.

Foreliggende oppfinnelse angår de ovennevnte problemer og tilveiebringer et boreapparat som benytter et neuralt nettverk (NN) til å overvåke fysiske parametere vedrørende forskjellige elementer i boreapparatet BHA, innbefattende slitasje av borkronen, temperatur, slammotor-rpm, torsjon, differensialtrykk over slammotoren, statortemperatur, temperatur i lagerenheter, radial og aksial forskyvning, oljenivå i tilfelle med lagerenheter av forseglet type, og vekt på borkronen

(WOB).

Foreliggende oppfinnelse tilveiebringer et apparat og en fremgangsmåte for automatiske boreoperasjoner under prediktiv styring. Apparatet innbefatter en borkrone anordnet på en fjerntliggende eller distal ende av en borestreng. Et antall sensorer er anbrakt i borestrengen for å ta målinger under boringen av borehullet, vedrørende en parameter av interesse. En prosessor er også tilordnet sensorene for å behandle målingene for å frembringe svar som indikasjon på den målte parameter av interesse, og en nedhulls analysator som innbefatter et neuralt nettverkt er operativt tilknyttet sensorene og prosessoren for å forutsi eller prediktere opp-førselen til borestrengen.

Sensorer blant antallet sensorer blir valgt fra borkronesensorer, sensorer som gir parametere for en slammotor, BHA-tilstandssensorer, BHA-posisjons- og retningssensorer, sensorer for borehullstilstander, en rpm-sensor, en sensor for vekt på borkronen, sensorer for formasjonsevaluering, seismiske sensorer, sensorer for å bestemme grensebetingelser, sensorer som bestemmer de fysiske egenskapene til et fluid i borehullet, og sensorer som måler kjemiske egenskaper ved borehullsfluidet. Disse sensorene, analysatorens neurale nettverk og prosessoren samvirker for å utvikle anbefalinger for fremtidige boreparameter-innstillinger basert delvis på de måleparametere og delvis på ett eller flere hva-om-scenarier (hypotetiske scenarier).

Det er tilveiebrakt en fremgangsmåte som innbefatter boring av et borehull ved å bruke en borkrone anordnet ved en distal ende av en borestreng, å ta målinger under boringen av borehullet vedrørende en parameter av interesse ved å bruke et antall sensorer anordnet i borestrengen, og behandling av målingene med en prosessor. Oppførselen til borestrengen blir så predikert ved å bruke en nedhullsanalysator som innbefatter et neuralt nettverk operativt tilknyttet sensorene og prosessoren.

Fremgangsmåten innbefatter å forutsi fremtidig oppførsel basert på målte parametere og ett eller flere hypotetiske scenarier. Den forutsagte oppførsel blir så brukt til å utvikle anbefalinger for fremtidige boreparametere, Anbefalingene kan implementeres ved hjelp av driftsinteraksjon med et grensesnittpanel, eller anbe-falingen kan implementeres automatisk i boreverktøyet.

Eksempler på de viktigste trekk ved oppfinnelsen er nå blitt oppsummert ganske grovt slik at den detaljerte beskrivelse som følger, bedre kan forstås, og slik at bidragene til området kan verdsettes. Det er selvsagt ytterligere trekk ved oppfinnelsen som vil bli beskrevet i det etterfølgende og som vil utgjøre grunnlaget for de vedføyde patentkrav.

For å gi en detaljert forståelse av foreliggende oppfinnelse, vises det til den følgende detaljerte beskrivelse av foretrukne utførelsesformer gitt i forbindelse med de vedføyde tegninger, hvor like elementer er blitt gitt like henvisningstall, og hvor: Fig. 1A er et funksjonsdiagram for et typisk neuralt nettverk; Fig. 1B viser et neuralt nettverk med flere lag; Fig. 1C viser to aktiveringsfunksjoner som benyttes i et neuralt nettverk på fig. 12a og 12b; Fig. 2 er et skjematisk diagram av et boresystem med en integrert bunnhullsanordning iht. en foretrukket utførelsesform av foreliggende oppfinnelse; Fig. 3 er et blokkskjema over et boresystem iht. foreliggende oppfinnelse, representert som et anleggsflytskjema; Fig. 4 er et skjema over et neuralt flerlagsnettverk benyttet til å simulere et dynamisk system; Fig. 5 er flytskjema over en fremgangsmåte for prediktiv styring iht. foreliggende oppfinnelse; og Fig. 6A-B viser alternative utførelsesformer av en brukergrensesnittanord-ning iht. foreliggende oppfinnelse.

Generelt tilveiebringer foreliggende oppfinnelse et boresystem for boring av oljefeltbrønner eller -borehull. Et viktig trekk ved oppfinnelsen er bruken neurale nettverksalgoritmer og en integrert bunnhullsanordning (BHA) (også her kalt boreenheten) for bruk ved boring av borehull. Et egnet verktøy som kan tilpasses for bruk i forbindelse med foreliggende oppfinnelse, er beskrevet i US-patent nr. 6,233,524, utstedt 15 mai 2001 og med en felles søker som i foreliggende oppfinnelse, hvis hele innhold herved inntas som referanse. Et annet passende verktøy som har en integrert BHA, som kan være tilpasset for bruk i forbindelse med foreliggende oppfinnelse, er beskrevet i US-patent nr. 6,206,108, utstedt 27. mars 2001, og med samme søker som i foreliggende oppfinnelse, idet hele innholdet av denne publikasjonen herved inntas som referanse.

Ettersom neurale nettverk for tiden ikke blir benyttet i boresystemer, er det riktig med en kort diskusjon av de viktigste egenskaper. Metodologien med neurale nettverk er en modelleringsteknikk. Ifølge foreliggende oppfinnelse blir denne metodologien benyttet til å utvikle en sann, direkte rådgiver for boreren i et bore-styresystem med lukket sløyfe. Fremgangsmåten forsyner boreren med en kvanti-tativ anbefaling om hvordan nøkkelparametere for styring av boringen skal modifi-seres. Det følgende avsnitt undersøker visse teoretiske aspekter ved anvendelsen av neurale nettverk til prediktiv styring av dynamisk boring.

Neurale Nettverk: Historie og grunnleggende fakta

De første begrepsmessige elementer i neurale nettverk ble innført midt på 1940-tallet, og konseptet ble gradvis utviklet inntil 1970-årene. De betydeligste skritt ved utviklingen av de mer robuste teoretiske aspekter ved den nye metoden ble imidlertid tatt i løpet av de to siste tiår. Dette faller sammen med eksplosjonen i datateknologi og den ytterligere oppmerksomhet som er fokusert på bruken av kunstig intelligens (Al) i forskjellige anvendelser. I den senere tid er det blitt gene-rert ytterligere interesse for anvendelse av neurale nettverk ("NN") i styresystemer. Neurale nettverk oppviser mange ønskede egenskaper som er nødvendige i situa-sjoner mer komplekse, ikke-lineære og usikre styreparametere. Noen av disse

egenskapene som gjør neurale nettverk egnet for intelligente styringsanvendelser, innbefatter læring ved erfaring ("menneskelignende" læringsoppførsel); evne til å

generalisere (kartlegge lignende innganger til lignende utganger); parallell distribu-ert prosess for hurtig behandling av dynamiske storskalasystemer; robusthet ved nærvær av støy; og multivariable egenskaper.

Det grunnleggende behandlingselement i NN blir ofte kalt et neuron. Hvert neuron har flere innganger og en enkelt utgang som vist på fig. 1 A. Hver gang et neuron blir forsynt med inngangsvektor p, beregner det sin neuronutgang (a) ved hjelp av formelen:

hvor fer en neuronaktiveringsfunksjon, w er neuronvektvektor og b er en neuron-forspenning. Visse aktiveringsfunksjoner er vist på fig. 1C. Disse funksjonene kan som vist være lineære eller S-formede (sigmoide).

To eller flere av neuronene som er beskrevet ovenfor, kan være kombinert i et lag som vist på fig. 1B. Et lag er ikke begrenset til å ha det antall av sine innganger som er lik antallet av sine neuroner. Et nettverk kan ha flere lag. Hvert lag har en vektmatrise W, en forspenningsvektor b og en utgangsvektor a. Utgangen fra hvert mellomliggende lag er inngangen til det etterfølgende lag. Lagene i et flerlagsnettverk spiller forskjellige roller. Et lag som produserer nettverksutgangen er kalt et utgangslag. Alle andre lag blir kalt skjulte lag. Nettverket som er vist på

fig. 4, har f.eks. ett utgangslag og to skjulte lag.

Treningsprosedyrer kan være tilføyet når topologi og aktiveringsfunksjoner er definert. Ved overvåket læring blir et sett med inngangsdata og korrekte ut-gangsdata (mål) brukt til å trene nettverket. Nettverket som bruker settet med tren-ingsinngangen, produserer sin egen utgang. Denne utgangen blir sammenliknet med målene, og differansene blir brukt til å modifisere vektene og forspenningene. Fremgangsmåter for å utlede de endringer som kan gjøres i et nettverk, eller en prosedyre for å modifisere vektene og forspenningene i et nettverk, blir kalt læreregler.

Et testsett, dvs. et sett med innganger og mål som ikke ble brukt ved trening av nettverket, blir benyttet til å verifisere kvaliteten av det oppnådde NN. Testsettet blir m.a.o. brukt til å verifisere hvor godt det neurale nettverket kan generalisere. Generalisering er en egenskap ved et nettverk hvis utgang for en ny inngangsvektor har en tendens til å være nær den utgang som genereres for lignende inn-gangsvektorer i treningssettet.

Med denne forståelse av den neurale nettverksoperasjon vil nå et boreapparat iht. foreliggende oppfinnelse blir forklart. Inngangsvektorene blir bestemt i apparatet ifølge forliggende oppfinnelse ved å bruke et antall kjente sensorer anordnet i systemet. En BHA kan innbefatte et antall sensorer, styrbare nedhullsinnretninger, behandlingskretser og en neural nettverksalgoritme. BHA bærer borkronen og blir transportert inn i borehullet ved hjelp av et borerør eller et oppkveilings-rør. BHA som utnytter NN og/eller informasjon fremskaffet fra overflaten, behandler sensormålinger, tester og kalibrerer BHA-komponentene, beregner parametere av interesse vedrørende tilstanden eller helsen til BHA-komponentene, beregner formasjonsparametere, borehullsparametere, parametere vedrørende borefluidet, laggrenseinformasjon, og bestemmer som reaksjon på dette de ønskede boreparametere. BHA kan også foreta handlinger nede i hullet ved automatisk å styre eller justere styrbare nedhullsinnretninger for å optimalisere boreeffektiviteten.

Spesielt innbefatter BHA sensorer for å bestemme parametere vedrørende den fysiske tilstanden eller helsen til de forskjellige komponenter i BHA, slik som slitasje på borkronen, differensialtrykk over slammotoren, forringelse av slammotorens stator, oljelekkasjer i lagerenheten, trykk- og temperatur-profilerfor BHA og borefluidet, vibrasjon, aksial og radial forskyvning av lagerenheten, virvelbevegelse, torsjon og andre fysiske parametere. Slike parametere blir her vanligvis kalt "BHA-parametere" eller "BHA-helseparametere". Sensorer for formasjonsevaluering som er innbefattet i BHA tilveiebringer karakteristikker ved de formasjoner som omgir BHA. Slike parametere innbefatter formasjonsresistivitet, dielektrisitetskon-stant, formasjonsporøsitet, formasjonsdensitet, formasjonspermeabilitet, akustisk formasjonshastighet, bergartssammensetning, litologiske karakteristikker ved for-masjonene og andre formasjonsrelaterte parametere. Slike parametere blir vanligvis her kalt "formasjonsevalueringsparametere". En hver annen sensor som er egnet for boreoperasjoner anses å ligge innefor rammen av foreliggende oppfinnelse.

Sensorer for å bestemme de fysiske og kjemiske egenskapene (kalt "fluid-parametere") til borefluidet som befinner seg i BHA, gir målinger på stedet av borefluidparameterne. Fluidparameter-sensorene innbefatter sensorer for å bestemme temperatur- og trykk-profilene til borehullsfluidet, sensorer for å bestemme viskositeten, komprimerbarheten, densiteten, den kjemiske sammenset-ning (gass, vann, olje og metan-innhold, osv.). BHA inneholder også sensorer som bestemmer posisjonen, helningen og retningen til borkronen (her kollektivt kalt "posisjons"- eller "retnings"-parameterne); sensorer for å bestemme borehullstil-standen, slik som borehullets dimensjon, ruhet og sprekker (her kollektivt kalt "borehullsparameterne"); sensorer for å bestemme posisjonene til laggrensene omkring og foran BHA; og sensorer for å bestemme andre geofysiske parametere (her kollektivt kalt "geofysiske parametere"). BHA måler også "boreparametere" eller "driftsparametere", som innbefatter borefluidets strømningshastighet, borkronens rotasjonshastighet, torsjon, og vekt på borkronen eller skyvkraften på kronen ("WOB").

BHA inneholder styringsinnretninger som kan aktiveres nede i hullet for å endre boreretningen. BHA kan også inneholde en skyveanordning for å påføre

mekanisk kraft på borkronen for boring av horisontale borehull, og en stråleforster-ker for å hjelpe borkronen til å kutte opp bergarter. BHA innbefatter fortrinnsvis re-dundante sensorer og innretninger som blir aktivert når deres tilsvarende primær-sensorer eller primærinnretninger blir inoperative.

De neurale nettverksalgoritmer blir lagret i BHA-minnet. Den dynamiske neurale nettverksmodell blir oppdatert under boreoperasjonene basert på innfor-masjon fremskaffet under disse boreoperasjonene. Slike oppdaterte modeller blir så benyttet til videre boring av borehullet. BHA inneholder en prosessor som behandler målingene fra de forskjellige sensorer, kommuniserer med overflatedata-maskiner og bestemmer, under utnyttelse av det neurale nettverk, hvilke innretninger eller sensorer som skal operere til en hver gitt tid. Den beregner også den optimale kombinasjon av boreparameterne, den ønskede borebane eller boreretning, den gjenværende driftslevetid for visse komponenter i BHA, den fysiske og kjemiske tilstanden til borefluidet nede i hullet og formasjonsparameterne. Nedhullspro-sessoren beregner de nødvendige svar og overfører til overflaten, pga. den be-grensede telemetrikapasitet, bare utvalgt informasjon. Den informasjon som er nødvendig for senere bruk, blir lagret i BHA-minnet. BHA foretar de handlinger som kan tas nede i borehullet. Den endrer boreretningen ved passende operasjon av retningsstyreinnretningene, justerer fluidstrømning gjennom slammotoren for å drive den ved den bestemte rotasjonshastighet og sender og signaler til overflatedatamaskinen, som justerer boreparameterne. I tillegg samvirker nedhullsproses-soren og datamaskinen på overflaten med hverandre for å manipulere de forskjellige typer data som benytter det neurale nettverk, foretar handlinger for å oppnå mer effektiv boring av borehullet på en lukket sløyfemåte, og tilveiebringer informasjon som er nyttig for boring av andre borehull.

Funksjonsforstyrrelser vedrørende BHA, de aktuelle driftsparametere og andre nedhullsberegnede driftsparametere blir levert til boreoperatøren, fortrinnsvis i form av en fremvisning på en skjerm. Systemet kan være programmert for automatisk å justere en eller flere av boreparameterne til de ønskede eller beregnede parametere for fortsatte operasjoner. Systemet kan også være programmert slik at operatøren kan overstyre de automatiske justeringer og manuelt justere boreparameterne innenfor forutbestemte grenser for slike parametere. Av sikker-hetsgrunner og andre grunner blir systemet fortrinnsvis programmert for å tilveiebringe visuelle og/eller hørbare alarmer og/eller for å kople ned boreoperasjonen hvis visse forutbestemte tilstander finnes under boreoperasjonene. De foretrukne utførelsesformer av den integrerte BHA ifølge foreliggende oppfinnelse og virkemåten til boresystemet som benytter en slik BHA, blir beskrevet nedenfor.

Fig. 2 viser et skjematisk diagram av et boresystem 10 som har en bunnhullsanordning (BHA) eller boreenhet 90 vist anordnet i et borehull 26. Boresystemet 10 innbefatter et konvensjonelt boretårn 11 oppstilt på et dekk 12 som under-støtter et rotasjonsbord 14 som blir rotert av en hoveddrivanordning, slik som en elektrisk motor (ikke vist) med en ønsket rotasjonshastighet. Borestrengen 20 innbefatter en rørledning (borerør eller oppkveilingsrør) 22 som strekker seg ned fra overflaten og inn i borehullet 26. En rørinnføringsanordning 14a blir brukt til å føre inn BHA i borehullet når det benyttes et oppkveilingsrør som transportorgan 22. En borkrone 50 festet til borestrengens 20 ende, desintegrerer de geologiske formasjoner når den roteres for å bore ut borehullet 26. Borestrengen 20 er koplet til et heiseverk 30 via en kellyforbindelse 21, en svivel 28 og en line 29 gjennom en talje 27. Heiseverket 30 blir drevet for å regulere vekten på borkronen ("WOB"), som er en viktig parameter som påvirker inntrengningshastigheten ("ROP", Rate Of Penetration). Operasjonene til heiseverket 30 og rørinnføringsanordningen er kjent på området og blir derfor ikke detaljbeskrevet her.

Under boring blir et passende borefluid 31 fra en slamgrop (kilde) 32 sirku-lert under trykk gjennom borestrengen 20 ved hjelp av en slampumpe 34. Borefluidet passerer fra slampumpen 34 inn i borestrengen 20 via en trykkutjevningsan-ordning 36 og en fluidledning 38. Borefluidet 31 kommer ut ved borehullsbunnen 51 gjennom åpninger i borkronen 50. Borefluidet 31 sirkuleres oppover gjennom ringrommet 27 mellom borestrengen 20 og borehullet 26, og returneres til slam-gropen 32 via en returledning 35 og en borekuttsil 85 som fjerner borekutt 86 fra det tilbakevendende borefluid 31b. En sensor S1 i ledningen 38 frembringer informasjon om fluidstrømningshastigheten. En torsjonssensor S2 på overflaten og en sensor S3 tilknyttet borestrengen 20 leverer informasjon hhv. om torsjonen og rotasjonshastigheten til borestrengen 20. Hastigheten av rørinnføringen blir bestemt fra sensoren S5, mens sensoren S6 leverer krokbelastningen på borestrengen 20.

I visse anvendelser blir borkronen 50 rotert ved bare å rotere borerøret 22.1 mange andre anvendelser er imidlertid en nedhullsmotor 55 (slammotor) anordnet i boreenheten 90 for å rotere borkronen 50 og borerøret 22 blir vanligvis rotert for å supplementere rotasjonskraften, om nødvendig, og for å bevirke endringer i boreretningen. I alle fall avhenger ROP for en gitt BHA hovedsakelig av WOB eller skyvkraften på borkronen 50 og dens rotasjonshastighet.

Slammotoren 55 er koplet til borkronen 50 via en drivaksel (ikke vist) anordnet i en lagerenhet 57. Slammotoren 55 roterer borkronen 50 når borefluidet 31

passerer gjennom slammotoren 55 under trykk. Lagerenheten 57 understøtter de radiale og aksiale krefter på borkronen 50, nedskyvningen av slammotoren 55 og den reaktive oppadrettede belastning fra den påførte vekt på borkronen. En nedre stabiliseringsinnretning 58a som er koplet til lagerenheten 57, virker som en sen-treringsanordning for den nedre del av borestrengen 20.

En styreenhet eller prosessor 40 på overflaten mottar signaler fra nedhulls-sensorene og -innretningene via en sensor 43 anbrakt i fluidledningen 38, og signaler fra sensorene S1-S6 og andre sensorer som benyttes i systemet 10, og behandler disse signalene iht. programmerte instruksjoner levert til overflatestyreenheten 40. Overflatestyreenheten 40 fremviser ønskede boreparametere og annen informasjon på en fremvisning/monitor 42 som benyttes av en operatør til å styre boreoperasjonene. Overflatestyreenheten 40 inneholder en datamaskin, et minne for lagring av data, en registreringsanordning for registrering av data og andre periferienheter.

BHA 90 inneholder fortrinnsvis en nedhulls, dynamisk måleinnretning eller "DDM" (Downhole-Dynamic-Measurement) 59 som inneholder sensorer som tar målinger vedrørende BHA-parameterne. Disse parameterne innbefatter sprett i borkronen, fastkiling/glidning av BHA, bakoverrotasjon, torsjon, støt, BHA-virvelbevegelse, BHA-bøyning, borehulls- og ringrom-trykkuregelmessigheter og for stor akselerasjon eller mekanisk spenning, og kan innbefatte andre parametere slik som BHA- og borkrone-sidekrefter, og boremotor- og borkrone-tilstander og ef-fektiviteten DDM-sensorsignalene 59 blir behandlet for å bestemme den relative verdi eller alvorlighetsgraden av hver slik parameter som en parameter av interesse, som blir benyttet av BHA og/eller overflatedatamaskinen 40. DDM-sensorene kan være anordnet i en delenhet eller anbrakt enkeltvis på et hvert egnet sted i BHA 90. Borkronen 50 kan inneholde sensorer 51a for å bestemme borkronetilstand og slitasje.

BHA inneholder også formasjonsevalueringssensorer eller innretninger for å bestemme resistivitet, densitet og porøsitet i de formasjoner som omgir BHA. En gammastråleanordning for måling av gammastråleintensiteten og andre nukleære og ikke-nukleære innretninger benyttet som innretninger for måling under boring, er fortrinnsvis innbefattet i BHA 90. Fig. 1 viser en resistivitetsmåleanordning 64 som f.eks. er koplet over en nedre nødstoppenhet 62. Den leverer signaler hvorfra resistivitet i formasjonen nær eller foran borkronen 50 blir bestemt.

Et inklinometer 74 og en gammastrålingsinnretning 76 er på passende måte anordnet langs resistivitetsmåleanordningen 64 for hhv. å bestemme inklinasjonen til den del av borestrengen som er nær borkronen 50, og formasjonens gamma-strålingsintensitet. Et hvert egnet inklinometer og en hver egnet gammastrålingsinnretning kan imidlertid benyttes i forbindelse med foreliggende oppfinnelse. I tillegg kan posisjonssensorer, slik som akselerometre, magnetometre eller gyro-skopanordninger være anordnet i BHA for å bestemme borestrengens asimut, virkelige koordinater og retningen i borehullet 26. Slike innretninger er kjent på området og blir derfor ikke beskrevet detaljert her.

I den ovenfor beskrevne utførelsesform overfører slammotoren 55 kraft til borkronen 50 via en eller flere hule aksler som løper gjennom resistivitetsmåleinnretningen 64. Den hule aksel gjør det mulig for borefluidet å passere fra slammotoren 55 til borkronen 50.1 en alternativ utførelsesform av borestrengen 20 kan slammotoren 55 være koplet inn under resistivitetsmåleinnretningen 64 eller på en annen egnet plass. Den ovenfor beskrevne resistivitetsinnretning, gammastrål-ingsinnretningen og inklinometret er fortrinnsvis anbrakt i et felles hus som kan være koplet til motoren. Innretningene for måling av formasjonsporøsitet, permea-bilitet og densitet (kollektivt betegnet med henvisningstall 78) er fortrinnsvis anordnet over slammotoren 55. Slike innretninger er kjent på området og blir ikke beskrevet detaljert her.

Som nevnt foran benytter et stort antall av nåværende boresystemer, spesielt for boring av meget avvikende og horisontale borehull, oppkveilingsrør for å transportere boreenheten ned i hullet. Ved slike anvendelser er en skyvanordning 71 utplassert i borestrengen 90 for å tilveiebringe den nødvendige kraft på borkronen. For formålet med foreliggende oppfinnelse blir uttrykket "borkronetrykk" eller "vekt på borkronen" bruk til å betegne kraften på borkronen som påføres borkronen under boreoperasjonen, uansett om den påtrykkes ved å justere vekten på borestrengen eller ved hjelp av skyvanordninger. Når oppkveilingsrør benyttes, blir rørledningen heller ikke rotert av et rotasjonsbor, i stedet blir det innført i borehullet ved hjelp av en egnet innføringsanordning 14a mens motoren 55 nede i borehullet roterer borkronen 50.

Et antall sensorer er også anordnet i de forskjellige enkeltanordninger i boreenheten. En rekke sensorer er f .eks. anbrakt i slammotorens kraftseksjon, lagerenheten, boreakselen, rørledningen og borkronen for å bestemme tilstanden til slike elementer under boring og for å bestemme borehullsparameterne.

Bunnhullsanordningen 90 inneholder også innretninger som kan aktiveres nede i hullet som en funksjon av de nede i hullet beregnede parametere som er av interesse, alene eller i kombinasjon med overflateoverførte signaler for å justere boreretningen uten å ta opp borestrengen fra borehullet, noe som er vanlig iht. tek-nikkens stand. Dette blir oppnådd i foreliggende oppfinnelse ved å benytte ned-hullsjusterbare innretninger, slik som stabiliseringsanordningene og utkoplingsen-heten, som er velkjente på området.

Beskrivelsen har så langt angått spesielle eksempler på sensorene og deres plassering i borestrengen og BHA, og visse foretrukne driftsmåter for boresystemet. Dette systemet resulterer i dannelse av borehull ved forhøyede bore-hastigheter (inntrengningshastighet) med øket levetid for borekomponenter slik som BHA-enheten. Det skal bemerkes at i visse tilfeller kan et borehull bores på kortere tid ved å bore visse deler av borehullet med forholdsvis lavere inntrengningshastigheter, fordi boring ved slike inntrengningshastigheter hindrer for stor slitasje på BHA, slik som motorslitasje, borkroneslitasje, sensorfeil, noe som der-ved muliggjør lengre boretid mellom opphentinger av BHA fra borehullet for repa-rasjon eller utskifting. Den totale utforming av den integrerte BHA ifølge foreliggende oppfinnelse og virkemåten til boresystemet som inneholder en slik BHA, blir beskrevet nedenfor.

Beskrivelse av styrt dynamisk system

Boresystemet 10 som beskrevet ovenfor og som vist på fig. 2, er vist på

fig. 3 som et funksjonsflytskjema for illustrasjonsformål. Fig. 3 illustrerer anvendelsen av neural nettverksmetodologi iht. foreliggende oppfinnelse for å simulere og styre den dynamiske oppførselen til et boresystem eller et boreanlegg 300. Anlegget 300 er en kombinasjon av borekomponenter slik som riggen 302, anleggskar-akteristikker 304, mediabeskrivelse 306 og en nedhullsanalysator 308. Alt utstyr på overflaten og nede i borehullet er representert som riggen 302, og fremgangsmåten innbefatter å ta i betraktning parametere som påvirker ytelsen til riggen 302. Styreparametere 310 innbefatter alle de parametere som boreren kan styre inter-aktivt for å påvirke riggutmatingen 312. Slike parametere innbefatter, men er ikke begrenset til, krokbelastning (HL) brukt av boreren til å regulere nedhulls vekt på borkronen (WOB), rotasjonshastighet, dvs. RPM på overflaten, slamstrømnings-hastighet og slamegenskaper, f.eks. slamdensitet og -viskositet. Anleggskarakteri-stikker 304 er de parametere som direkte angår boreutstyret. Disse er forhåndsbe-stemt og deres verdier blir fortrinnsvis ikke modifisert dynamisk. Anleggskarakteri-stikkene 304 innbefatter geometriske og mekaniske parametere for BHA, karakteristikker ved borkronen og nedhullsmotoren (om en slik brukes), og andre tekniske parametere i forbindelse med boreriggen og dens komponenter. Mediabeskrivel-sen 306 er de parametere som klart påvirker riggytelsen, men hvis verdier enten er ukjente eller bare kjent i en viss utstrekning under boring. Mediaparametere innbefatter formasjonslitologi, mekaniske egenskaper ved formasjonen, borehullsgeo-metri og brønnprofil. Riggutgangen 312 definerer de parametere som skal styres. Eksempler innbefatter inntrengningshastighet (ROP), borestreng- og BHA-vibrasjon (f.eks. de siderettede, de torsjonsmessige og de aksiale vibrasjonskom-ponenter), nedhulls WOB, nedhulls RPM. ROP er målet på fremskridelsen av boreprosessen ved bunnen. Vibrasjoner nede i borehullet er en av hovedgrunnene

til boreproblemer. Vekt på borkronen og rotasjonshastighet må reguleres pga. de tekniske spesifikasjoner og begrensninger ved boreutstyret.

Verdiene av noen av disse parameterne er tilgjengelig i sann tid på overflaten (f.eks. ROP). De sensorer som er beskrevet ovenfor blir brukt til å fremskaffe verdiene av andre parametere. En nedhullsanalysator 308 blir brukt til å behandle sensorutgangsdata for å bestemme karakteristikker slik som nedhulls vibrasjons-målinger på en tidsmessig måte. Nedhullsanalysatoren 308 både identifiserer hver av en rekke borefenomener og kvantifiserer en alvorlighetsgrad for hvert fenomen. Dette gjøre det mulig å redusere, i betydelig grad, det datavolum som sendes til overflaten, og forsyner boreren med komprimert informasjon om de mest kritiske dynamiske nedhulls funksjonsforstyrrelser (f.eks. tilbakestøt av borkronen, BHA-virvelbevegelse, bøyning og fastkiling/glipping). Utgangene 314 fra analysatoren 308 blir tilført en database 316 og boreren på overflaten.

Det er et antall kjente NN-modeller uttrykt ved forskjelligheter i topologi, aktiveringsfunksjoner og læreregler som er nyttige i forbindelse med foreliggende oppfinnelse. I en foretrukket utførelsesform blir det benyttet et multilag, foroverkop-let neuralt nettverk (MFNN, Multilayer Feedforward Neural Network), fordi MFNN har flere ønskede egenskaper. MFNN behandler to lag, hvor et skjult lag er S-formet og et utgangslag er lineært (se fig. 1C), og kan trenes til omtrent en hver funksjon (med et endelig antall diskontinuiteter) for en gitt brønn.

MFNN er en statisk kartleggingsmodell, og teoretisk er det ikke rimelig å regulere eller identifisere det dynamiske system. Imidlertid kan det utvides til det dynamiske domenet 400 som vist på fig. 4.1 dette tilfellet blir en rekke med tidligere reelle anleggsinngangsverdier u og utgangsverdier ym brukt som innganger til MFNN ved hjelp av tappede forsinkelseslinjer (TDL) 402.

Et av de problemer som inntreffer ved trening av neurale nettverk, blir kalt overtilpasning. Feilen i treningssettet blir drevet til en meget liten verdi, men når nye data blir presentert for nettverket, blir feilen stor. Nettverket har memorisert treningseksemplene, men det har ikke lært å generalisere til en ny situasjon. For å unngå dette problemet blir det benyttet Bayesisk (Bayesian) regularisering i kombinasjon med Levenberg-Marquardt-trening. Begge metoder er kjent på området.

I en foretrukket utførelsesform blir innmatinger og mål normalisert til området [-1,1]. Det er kjent at NN-trening kan utføres mer effektivt hvis visse forbehand-lingstrinn, slik som normalisering, blir utført med nettinngangene og målene.

Foretrukne parametere som benyttes ved oppbygging av NN-modellen, innbefattet krokbelastning (omformet til beregnet WOB), RPM og strømningshastighet (målt på overflaten) og alvorlighetsnivåene til dynamiske funksjonsforstyrrelser, som er registrert nede i borehullet. For å forutsi tilstanden til systemet ved de neste 20 andre trinn (dvs. ved trinn "k+1") benytter NN-modellen dataverdier ved det aktuelle trinn - WOB(k), RPM(k), strømningshastighet(k), og funksjonsforstyrrelse (k) - sammen med de nye nøkkelstyringsparametere: WOB(k+1), RPM(k+1), og strømningshastighet(k+1).

Det vises nå til fig. 5 hvor et alternativt apparat og en alternativ fremgangsmåte for anvendelse iht. foreliggende oppfinnelse øker boreeffektiviteten ved å benytte dynamiske borekriterier og en optimaliseringsanordning. Når den neurale nettverksmodell som simulerer oppførselen til anlegget, er laget og opptrent, blir prediktiv styring innført. Ved dette punkt blir utgangen fra anlegget splittet i to kate-gorier, yp og ym. ROP kan betraktes som hovedparameteren yp for optimaliserings-formålet for begrensninger 502 på de dynamiske funksjonsforstyrrelser. Fremgangsmåten ifølge foreliggende oppfinnelse blir brukt til å maksimalisere en kost-nadsfunksjon F underkastet G(funksjonsforstyrrelser)<0 ved å bruke formelen:

hvor F er kostnadsfunksjonen, N-i er den minste utmatede prediksjonshorisont, N2 er den maksimale utmatede prediksjonshorisont og G representerer begrensningene 502.

Fig. 5 viser den prediktive reguleringsstrøm 500. Begrensningene 502 blir innført i en optimaliseringsanordning 504. Optimaliseringsanordningen 504 har en utgang 512 som mates inn i en NN-modell 506 og inn i et anlegg 508. NN 506 og anlegget 508 er hovedsakelig maken til de komponenter som er beskrevet ovenfor og som er vist på fig. 3 og 4. En utgang 510 fra NN-modellen blir koplet til optimaliseringsanordningen 504 som en inngang i et tilbakekoplet forhold. En iterativ til-bakekoplingsprosess blir bruk til å frembringe prediktig styring av anlegget 508 for å stabilisere både lineære og ikke-lineære systemer.

Den generelle prediktive styringsmetode innbefatter å forutsi anlegget utgang over et område med fremtidige tidshendelser, å velge et sett med fremtidige styringer {u} 512, som optimaliserer den fremtidige anleggsytelse yp, og anvendelse av det første element av {u} som en løpende inngang og iterativt å repetere prosessen.

I en utførelsesform blir en alenestående datamaskinanvendelse benyttet til

å bygge og trene en NN-modell, som simulerer oppførselen til et system representert av et spesielt datasett. Anvendelsen blir benyttet til å kjøre forskjellige "hypotetiske" scenarier i manuell modus for å forutsi systemets respons på endringer i de grunnleggende styreparametere. Anvendelsen kan benyttes til automatisk å modifisere (i automatisert styremodus) verdier av styreparameterne for effektivt å bringe systemet til den optimale boremodus, uttrykt ved maksimalisering av ROP mens borefunksjonsforstyrrelsene minimaliseres under de gitte parameter-begrensninger.

Et annet aspekt ved foreliggende oppfinnelse er bruken av en NN-simulator som en lukket borestyring ved bruk av dynamiske boremålinger. Denne fremgangsmåten genererer kvantitative råd for boreren om hvordan overflatestyringene skal endres når nedhulls borefunksjonsforstyrrelser blir detektert og kommunisert til overflaten ved bruk av et MWD-verktøy.

En foretrukket utførelsesform av foreliggende oppfinnelse omfatter et bruk-ergrensesnitt 600 som er enkelt og intuitivt for sluttbruken. Et eksempel på et slikt grensesnitt er vist på fig. 6A og 6B. Fremvisningsformatene som er vist, er bare eksempler, og et hvert ønsket fremvisningsformat kan benyttes for det formål å fremvise funksjonsforstyrrelser og eventuell annen ønsket informasjon. De parameterne av interesse som er beregnet nede i borehullet, for hvilke alvorlighetsgraden skal fremvises, inneholder flere nivåer som benytter digitale indikatorer 612. Fig. 6A viser slike parametere som motstand, boresprett, fastkiling/glidning, tor-sjonsstøt, BHA-virvelbevegelse, bøyning og lateral vibrasjon, idet hver av disse parameterne har åtte nivåer markert 1-8. Det skal bemerkes at det foreliggende system verken er begrenset til eller krever bruk av de ovenfor nevnte parametere eller noe spesielt antall nivåer. De parameterne som er beregnet nede i borehullet, RPM, WOB, FLOW (strømningshastigheten til borefluidet), slamdensitet og viskositet blir fremvist underoverskriften "CONTROL PANEL" i blokk 602. Den relative tilstanden til MWD, slammotoren og borkronen på en skal fra 0-100%, hvor 100% er tilstanden når dette elementet er nytt, blir fremvist under overskriften "CONDITION" i blokk 604. Visse parametere målt på overflaten, slik som WOB, torsjon på borkronen (TOB), borkronens dybde, borehastigheten eller inntrengningshastigheten, er fremvist i blokk 606. Ytterligere parametere av interesse, slik som borefluidtrykket på overflaten, trykktap som skyldes friksjon, er fremvist i blokk 608. En anbefalt korrigerende handling utviklet av det neurale nettverk, blir fremvist i blokk 610.

Fig. 6B viser et alternativt f remvisningsformat for bruk i det foreliggende

system. Forskjellen mellom denne fremvisningen og fremvisningen som er vist på fig. 6A, er at parametere av interesse som er beregnet nede i borehullet, som ved-rører funksjonsforstyrrelsen, inneholder tre farger, grønn for å indikere at parameteren er innenfor et ønsket område, gult for å indikere at funksjonsforstyrrelsen er til stede, men ikke alvorlig, omtrent som et varselsignal, og rødt for å indikere at funksjonsforstyrrelsen er alvorlig og bør korrigeres. Som tidligere bemerket kan et hvert annet egnet fremvisningsformat benyttes i forbindelse med foreliggende oppfinnelse.

Fig. 6A-B viser en arbeidsskjerm 600 angitt i form av et frontpanel for en

elektronisk innretning med forholdsvis få kontroller og digitale indikatorer. Veksel-virkning med innretningen blir oppnådd ved f.eks. å bruke en mus, et tastatur eller en berøringsfølsom skjerm. Disse innretningene er velkjente og blir derfor ikke vist separat.

Føringsstenger eller skyvere blir brukt til å innstille verdiene av forskjellige parametere på styrepanelet 602 og for å tilveiebringe informasjon som deres gyl-dige område. Glidestengene gjør det også mulig for brukeren å estimere visuelt den relative posisjon av en valgt verdi innenfor det tillatte området for en parameter. De digitale indikatorene 612 vedrørende de dynamiske funksjonsforstyrrelser tjener også som indikatorer for alvorlighetsnivåene. De endrer farge (ved bruk av grønn/gul/rød-mønster) etter hver som alvorlighetsnivået endres.

For å operere simulatoren må brukeren spesifisere den aktuelle tilstand for anlegget ved å innstille verdiene til styreparameterne (kontroller) og den observerte anleggsutmating (respons). Når systemtilstanden er spesifisert, kan simulatoren gjøre et anslag over anleggsutmatingen for en hver ny styreinnstilling innført av brukeren. For å forenkle prosessen med å velge nye styringer, kan det benyttes tredimensjonale plottinger (ikke vist) som en utgang for en hver av utgangene fra anlegget som en funksjon av hvilke som helst to styreparametere. Plottingene som representerer dynamiske funksjonsforstyrrelser, viser verdien av funksjonsforstyrrelsen farget iht. alvorlighetsgrad. Farge kan brukes i en ROP-plotting for å repre-sentere den kombinerte alvorlighetsgrad for alle dynamiske funksjonsforstyrrelser ved hvert punkt.

Brukeren kan også bestemme om det skal innføres nye styreinnstillinger

manuelt eller om det skal anvendes en automatisert optimaliseringsmodul (se 504 på fig. 5). Denne modulen spiller ganske enkelt forskjellige "hypotetiske" scenarier som viser utviklingen av anlegget over intervaller på ett minutt, som hver omfatter tre tidstrinn. Tidsintervallet kan justeres iht. behovet ved en anvendelse. Optimali-seringsmodulen 504 velger automatisk nye styringer for å maksimalisere ROP mens de dynamiske funksjonsforstyrrelser holdes innenfor aksepterbare grenser eller "grønne" soner.

Tidsdomene-diagrammer som viser utviklingen av de valgte parametere over tid, kan brukes for å hjelpe brukeren til å forstå hvordan et observert dynamisk problem utviklet seg.

I tilfeller med en alvorlig virvelbevegelsesfunksjonsforstyrrelse, f.eks. et nivå 6 ut av 8 mulige, kombinert med en moderat bøyningsfunksjonsforstyrrelse, f.eks. et nivå 4 ut fra 8, gjør foreliggende fremgangsmåte det mulig å korrigere og stabilisere anlegget ved omtrent 15 til 20 tidstrinn, dvs. 5-6 minutter når hvert tidstrinn er lik 20 sekunder. Reduksjon av den dynamiske funksjonsforstyrrelse på denne måten, kan øke ROP betydelig.

I tilfellet med en alvorlig fastkiling/glidning-funksjonsforstyrrelse kan NN-simulatoren "anbefale" (1) å øke RPM samtidig som WOB reduseres, og (2) å bringe verdiene av styreparameterne til nye nivåer som er forskjellige fra den opp-rinnelige tilstand.

Fremgangsmåten og apparat ifølge foreliggende oppfinnelse benytter effek-ten av neurale nettverk (NN) til å modellere dynamisk oppførsel av et ikke-lineært, multiinngang/utgang-boresystem. En slik modell sammen med en styreenhet, forsyner boreren med en kvantifisert anbefaling om riktige korreksjonshandlinger for å tilveiebringe forbedret effektivitet av boreoperasjonene.

NN-modellen er utviklet ved å bruke dynamiske boredata fra en felttest. Denne felttesten medfører forskjellige borescenarier i forskjellige litologiske en-heter. Treningen og finavstemningen av den grunnleggende modellen benytter både dynamiske overflate- og nedhullsdata registrert i sann tid under boring. Måling av den dynamiske tilstanden til BHA blir oppnådd ved å bruke data fra nedhulls vibrasjonssensorer. Denne informasjonen som representerer virkningene av å modifisere styreparametere på overflaten, blir registrert i minnet til nedhullsverk-tøyet. Representative deler til dette testdatasettet sammen med det tilsvarende sett med inngang/utgang-styreparametere, blir brukt ved utvikling og trening av modellen.

Foreliggende oppfinnelse tilveiebringer simulering og prediksjon av den dynamiske oppførsel til et komplekst boresystem med flere parametere. I tillegg tilveiebringer foreliggende oppfinnelse et alternativ til tradisjonell analytisk eller direkte numerisk modellering, og anvendelsen er utvidet ut over dynamisk boring til styring og optimalisering av boringen.

Den foregående beskrivelse er rettet mot spesielle utførelsesformer av foreliggende oppfinnelse for det formål å illustrere og forklare. Det vil imidlertid være klart for en fagkyndig på området at mange modifikasjoner og endringer av den ovenfor angitte utførelsesform, er mulig uten å avvike fra oppfinnelsens ramme. Det er ment at de følgende krav skal tolkes til å omfatte alle slike modifikasjoner og endringer.

Claims (18)

1. Apparat for bruk ved boring av en oljefeltbrønn, karakterisert ved: (a) et bor anordnet på en fjerntliggende ende av en borestreng (20); (b) et antall sensorer (S1 ,S2,...) anordnet i borestrengen, idet hver sensor tar målinger under boringen av brønnen vedrørende en parameter av interesse; (c) en prosessor (40) innrettet for å behandle målingene for å frembringe svar som indikasjon på den målte parameter av interesse; og (d) en nedhullsanalysator som omfatter et neuralt nettverk (NN) operativt tilknyttet sensorene (S1, S2,...) og prosessoren for å forutsi borestrengens oppførsel.

2. Apparat ifølge krav 1, karakterisert ved at det neurale nettverk (NN) er et flerlags neuralt nettverk.

3. Apparat ifølge krav 1, karakterisert ved at borestrengen (20) omfatter en BHA, en borkrone (50) og minst en av antallet med sensorer anordnet i BHA.

4. Apparat ifølge krav 3, karakterisert ved at sensorene (S1, S2,...) i antallet med sensorer er valgt fra en gruppe bestående av (a) borkronesensorer, (b) sensorer som tilveiebringer parametere for en slammotor, (c) BHA-tilstandssensorer, (d) BHA-posisjons- og retningssensorer, (e) sensorer for borehullstilstand, (f) en rpm-sensor, (g) en sensor for vekt på borkronen (50), (h) sensorer for formasjonsevaluering, (i) seismiske sensorer, (j) sensorer for å bestemme grensebetingelser, (k) sensorer som bestemmer de fysiske egenskapene til et fluid i borehullet (26), og (I) sensorer som måler kjemiske egenskaper ved borehullsfluidet.

5. Apparat ifølge krav 1, karakterisert ved en nedhullsregulert styreinnretning (40).

6. Apparat ifølge krav 1, karakterisert ved at det neurale nettverk (NN) oppdaterer minst en intern modell under boringen av borehullet (26), delvis basert på de svar som er beregnet nede i borehullet og delvis på ett eller flere hypotetiske scenarier.

7. Apparat ifølge krav 1, karakterisert ved at parameteren av interesse er en dysfunksjon tilknyttet en eller flere boretilstander.

8. Apparat ifølge krav 1, karakterisert ved at et grensesnittpanel på overflaten som operativt er tilordnet det neurale nettverk (NN) for å tilveiebringe anbefalinger vedrørende fremtidige boreparametere for en boreoperatør.

9. Apparat ifølge krav 8, karakterisert ved at analysatoren, prosessoren (40) og sensorene (S1, S2,...) samvirker for selvstendig å påvirke en endring i boreparameterne, idet endringen i boreparameterne hovedsakelig er i overensstemmelse med anbefalingene.

10. Fremgangsmåte for boring av en oljefeltbrønn ved bruk av prediktiv styring, karakterisert ved: (a) å bore en brønn ved å bruke en borkrone (50) anordnet på en distal ende av en borestreng (20); (b) å ta målinger under boringen av brønnen vedrørende en eller flere parametere av interesse ved å benytte et antall sensorer anordnet i borestrengen (20); (c) å behandle målingene med prosessoren (40); og (d) å forutsi oppførselen til borestrengen ved å bruke en nedhullsanalysator som innbefatter et neuralt nettverk (NN) operativt tilknyttet sensorene (S1, S2,...) og prosessoren (40).

11. Fremgangsmåte ifølge krav 10, karakterisert ved at det neurale nettverk (NN) er et flerlags neuralt nettverk.

12. Fremgangsmåte ifølge krav 10, karakterisert ved at den minst ene målte parameter av interesse er en dysfunksjon tilknyttet en eller flere boretilstander.

13. Fremgangsmåte ifølge krav 10, karakterisert ved å tilveiebringe anbefalinger vedrørende fremtidige boreparametere for en boreoperatør via et grensesnittpanel på overflaten som er operativt tilknyttet det neurale nettverk (NN).

14. Fremgangsmåte ifølge krav 10, karakterisert ved å tillate analysatoren, prosessoren (40) og sensorene (S1, S2,...) å operere i samvirke for selvstendig å bevirke en endring av boreparameterne, idet endringen av boreparameterne hovedsakelig er i overensstemmelse med anbefalinger utviklet av det neurale nettverk (NN).

15. Fremgangsmåte ifølge krav 10, karakterisert ved at borestrengen (20) omfatter en bunnhullsanordning, at borkronen (50) og minst en av antallet sensorer er anordnet i bunnhullsanordningen.

16. Fremgangsmåte ifølge krav 10, karakterisert ved at målingene er valgt fra en gruppe bestående av (a) borkronesensorer, (b) sensorer som tilveiebringer parametere for en slammotor, (c) BHA-tilstandssensorer, (d) BHA-posisjons- og retnings-sensorer, (e) sensorer for borehullstilstand, (f) en rpm-sensor, (g) en sensor for vekt på borkronen (50), (h) sensorer for formasjonsevaluering, (i) seismiske sensorer, (j) sensorer for å bestemme grensebetingelser, (k) sensorer som bestemmer de fysiske egenskapene til et fluid i borehullet (26), og (I) sensorer som måler kjemiske egenskaper ved borehullsfluidet.

17. Fremgangsmåte ifølge krav 10, karakterisert ved å styre boreretningen ved å benytte en nedhullsregulert styreinnretning (40).

18. Fremgangsmåte ifølge krav 10, karakterisert ved at det neurale nettverk (NN) oppdaterer minst en intern modell under boringen av brønnen basert delvis på de nede i hullet beregnede svar og delvis på et eller flere hypotetiske scenarier.