An evaluation of the effectiveness of implementing technological solutions based on digital technologies to improve well casing quality

Cover Page

Cite item

Full Text

Abstract

The article presents the process of forming measures based on digital technologies to improve the quality of well cementing at the fields of Western Siberia. The problem associated with the low quality of input information due to the use of several independent sources was identified and solved. The economic efficiency of the developed methods for reducing the labour costs of data collection for modelling using machine learning algorithms is demonstrated. If the solutions developed are implemented, there is a prospect of reducing the cost of repair and insulation work. Key information is provided about the hypotheses generated and their objectives. The authors of the article describe the method of using various mathematical algorithms to analyze the results of industrial experimental work. The efficiency of the developed solutions is evaluated by comparing the results of cementing experimental wells and wells built using the basic technology. The dynamics of cement quality growth in the fields of Western Siberia are summarised as a general result. As a result of the experience gained, the solutions have been adapted and are in the process of being re-implemented in order to make a final assessment of their effectiveness.

About the authors

D. V. Shalyapin

Industrial University of Tyumen; KogalymNIPIneft Branch of LUKOIL-Engineering LLC

Email: Denis.Shalyapin@lukoil.com

D. L. Bakirov

LUKOIL-Engineering LLC

V. G. Kuznetsov

Industrial University of Tyumen

References

  1. Оптимизация технико-технологических решений для строительства сложнопрофильных скважин / Д. Л. Бакиров, Э. В. Бабушкин, В. А. Бурдыга. – doi: 10.30713/0207-2351-2019-8(608)-39-44. – Текст : непосредственный // Нефтепромысловое дело. – 2019. – № 8 (608). – С. 39–44.
  2. Оптимизация затрат на бурение и обустройство месторождения в условиях геологической неопределенности / Д. Л. Бакиров, М. М. Фаттахов, Я. И. Баранников. – doi: 10.30713/0130-3872-2018-10-22-28. – Текст : непосредственный // Строительство нефтяных и газовых скважин на суше и на море. – 2018. – № 10. – С. 22–28.
  3. Галкин, В. И. Статистическое моделирование расширяющегося тампонажного состава / В. И. Галкин, А. А. Куницких. – doi: 10.15593/2224-9923/2017.3.2. – Текст : непосредственный // Вестник Пермского национального исследовательского политехнического университета. Геология. Нефтегазовое и горное дело. – 2017. – Т. 16, № 3. – С. 215–224.
  4. Development and Characterization of Smart Cement for Real Time Monitoring of Ultra-Deepwater Oil Well Cementing Applications / C. Vipulanandan, R. Krishnamoorti, R. Saravanan. – Text : electronic // Offshore Technology Conference, Texas, USA, 5–8 May, 2014. – URL: https://doi.org/10.4043/25099-MS. – Published: May, 05, 2014.
  5. Application of Machine Learning to accidents detection at directional drilling / E. Gurina, N. Klyuchnikov, A. Zaytsev. – Text : electronic // Journal of Petroleum Science and Engineering. – 2020. – Vol. 184. – URL: https://doi.org/10.1016/j.petrol.2019.106519.
  6. Machine Learning as New Approach for Dogleg Severity Prediction / A. Fakhrylgayanov, A. A. J. Soh, A. Osman. – Text : electronic // SPE/IADC Middle East Drilling Technology Conference and Exhibition, Abu Dhabi, UAE, 25–27 May, 2021. – URL: https://doi.org/10.2118/202160-MS.
  7. Using Drilling and Logging Data for Developing 1D Mechanical Earth Model for a Mature Oil Field to Predict and Mitigate Wellbore Stability Challenges / M. Afsari, M. Amani, S. M. Razmgir// International Oil and Gas Conference and Exhibition in China, Beijing, China, 8–10 June, 2010. – URL: https://doi.org/10.2118/132187-MS. – Published: June, 08, 2010.
  8. Совершенствование методики анализа данных по креплению скважин / Д. В. Шаляпин, Д. Л. Бакиров, М. М. Фаттахов, В. Г. Кузнецов. – doi: 10.33285/0130-3872-2022-5(353)-36-39.– Текст : непосредственный // Строительство нефтяных и газовых скважин на суше и на море. – 2022. – № 5 (353). – С. 36–39.
  9. Применение методов машинного обучения для повышения качества крепления скважин / Д. В. Шаляпин, Д. Л. Бакиров, М. М. Фаттахов. – doi: 10.31660/0445-0108-2020-5-81-93. – Текст : непосредственный // Известия высших учебных заведений. Нефть и газ. – 2020. – № 5. – С. 81–93.
  10. Исследование фактической информации по креплению скважин с применением машинного обучения и нейронных сетей / Д. В. Шаляпин, Д. Л. Бакиров, М. М. Фаттахов. – doi: 10.31660/0445-0108-2021-3-108-119. – Текст : непосредственный // Известия высших учебных заведений. Нефть и газ. – 2021. – № 3 (147). – С. 108–119.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).