Eidesstattliche Erklärung

Dieses Kapitel gibt einen Überblick über häufige Probleme beim Bohrvorgang, ihre Vorhersage und die gängigen Methoden zur Schadensbegrenzung in der heutigen Bohrindustrie. Eine Abbildung (Figur 1) zeigt die Verteilung der Hauptursachen für durchschnittliche nicht produktive Zeit (in Prozent der Bohrtätigkeit) basierend auf Daten von 263 Bohrlöchern, die über sechs Jahre in Wassertiefen unter 600 Fuß gebohrt wurden. Die Mehrheit der Probleme wird auf Ausrüstungsfehler und Probleme im Bohrloch zurückgeführt, z. B. festgefahrene Bohrstränge, Kicks oder Bohrlochverluste. Die frühzeitige Erkennung unerwünschter Ereignisse im Bohrloch ist entscheidend, um Ressourcenverluste und umweltrelevante Risiken zu minimieren. Die Wichtigkeit der Überwachung von Parametern wie Drehmoment und Standrohrdruck wird hervorgehoben, da diese wertvolle Hinweise auf potenzielle Probleme liefern können. Der Abschnitt betont die Notwendigkeit, effektive Strategien zur Vorhersage und Bewältigung dieser Probleme zu entwickeln, um die Bohreffizienz zu steigern und Risiken zu minimieren.

Dieser Abschnitt konzentriert sich auf die detaillierte Analyse verschiedener spezifischer Bohrprobleme und deren Erkennung. Differenzielles Festsetzen wird als Beispiel für ein Problem diskutiert, das durch einen abrupten Anstieg des Drehmoments angezeigt wird, wobei die kurze Vorwarnzeit die Schadensbegrenzung erschwert. Methoden zur Minderung, wie z. B. die Reduzierung des Schlammgewichts oder der Einsatz von Meerwasser, werden kurz erläutert. Das Problem der Schnittgutansammlung in stark geneigten Bohrlöchern wird behandelt. Die Bohrlochneigung beeinflusst die Schnittgutbeseitigung, wobei in stark geneigten Abschnitten (>65°) eine Schnittgutbettanhäufung und das Risiko des mechanischen Festfahrens des Bohrstrangs besteht (Referenz: Hussain Rabia, 2015; Abdelaziz Gabr, 2017; Asad Elmgerbi, 2019). Weitere Probleme wie enge Bohrlöcher, Bohrspülverlust, Bit-Balling und die Bildung von Doglegs werden besprochen, jeweils mit ihren typischen Symptomen und Möglichkeiten zur Erkennung und Schadensbegrenzung. Die Bedeutung einer geeigneten Bohrspülung, der Druckkontrolle und der Berücksichtigung von Parametern wie Porosität, Permeabilität und Sprödigkeit der Formation wird hervorgehoben.

Die Drehmoment- und Zugkraftanalyse ist ein etabliertes Verfahren in der Bohrtechnik. Der Abschnitt beschreibt die grundlegenden Prinzipien der Drehmoment- und Zugkraftberechnung, ausgehend von einem Kräftefreiheitsdiagramm (Figur 8). Die Berücksichtigung von Reibungskräften, sowohl beim Einsetzen (RIH) als auch beim Herausziehen (POOH) des Bohrstrangs, ist entscheidend. Die Berechnung kritischer Knickgrenzen und deren Darstellung in einem Spannungs- und Druckdiagramm (Figur 12) wird erläutert. Der Unterschied zwischen Soft-String-Modellen und Stiff-String-Modellen wird beschrieben, wobei die Notwendigkeit von Stiff-String-Modellen für komplexe Bohrungen, wie z.B. horizontale Bohrungen, betont wird. Die Verwendung von Simulationssoftware zur Vorhersage von Drehmoment und Zugkraft unter verschiedenen Betriebsbedingungen wird diskutiert, zusammen mit den Vorteilen automatisierter Aktualisierungen basierend auf Echtzeitdaten (Referenz: Frank Reiber et al., 1999; ©proNova by TDE). Die Grenzen der Methode, insbesondere die Abhängigkeit von mehreren Parametern und das Risiko von Fehlinterpretationen durch menschliche Faktoren, werden angesprochen.

Die Modellierung des Standrohrdrucks ist für die sichere Planung und Durchführung von Bohrungen unerlässlich. Der Abschnitt konzentriert sich auf die Bestimmung des Druckabfalls im Bohrsystem, wobei der Ringraumdruckabfall als kritischer Faktor hervorgehoben wird. Die Definition des Strömungsregimes (laminar vs. turbulent) und die Verwendung von Laboruntersuchungen mit Rotationsviskosimetern zur Bestimmung rheologischer Parameter für die Druckverlustberechnung werden erläutert. Die Implementierung von Algorithmen zur Überwachung des Standrohrdrucks in Echtzeit, unter Einbeziehung von Sensordaten, ermöglicht die Einrichtung von HSE-bezogenen Warnungen und die Messung von Leistungsindikatoren (KPIs) (Referenz: Reitsma, D, 2011). Die Verwendung zusätzlicher Sensoren, wie z. B. Ringraum-Austrittsdrucksensoren (ADP), und die Verbesserung der Anomalieerkennung durch Verringerung der Sensorspanne werden diskutiert. Die Vermeidung von Fehlalarmen durch Berücksichtigung von Faktoren wie Gesamtfluss und Volumenänderungen wird als entscheidend für die Sicherheit hervorgehoben. Die Grenzen der meisten Modelle aufgrund der benötigten Eingangsparameter und der Genauigkeit der Messungen werden ebenfalls erwähnt.

Der Abschnitt beschreibt die Anwendung von Durchflussmessern (z. B. Coriolis-Durchflussmesser) und Drucksensoren zur Detektion von Kicks und Fluiddruckverlusten. Es wird die Genauigkeit der Messungen in Bezug auf mögliche Fehlerquellen wie Vibrationen diskutiert und die Vorteile von Drucksensoren gegenüber Durchflussmessern, insbesondere bei abgeschalteten Bohrungen, hervorgehoben. Figur 20 zeigt Beispiele für die Erkennung von schnellen Kicks und Bohrstrangleckagen (Washouts) anhand der Veränderung des Standrohrdrucks (SPP) und des Ringraum-Austrittsdrucks (ADP) (Referenz: Reitsma, D, 2011). Die Einschränkungen der Methode, wie z.B. das Fehlen von Kickraten- und Volumenberechnungen, und die Notwendigkeit, kritische Einflussfaktoren zu berücksichtigen, werden ebenfalls erläutert. Der Abschnitt unterstreicht, dass historische Hydraulikdaten zwar für Planungszwecke nützlich sind, aber nicht als zuverlässige Referenz für Simulationen und Vorhersagen dienen sollten.

Dieser Abschnitt bietet einen kurzen Überblick über den zunehmenden Einsatz von Machine-Learning-Ansätzen in der Bohrindustrie. Die steigende Komplexität von Bohrungen und der Fokus auf HSE (Health, Safety, and Environment) treiben die Entwicklung neuer Methoden voran. Es werden zwei Machine-Learning-Techniken kurz vorgestellt: gleitende Fenster-Lineare Regression zur frühzeitigen Erkennung von Problemen wie differentiellem Festsetzen und schlechter Bohrlochreinigung (Referenz: Ahmed, O. S., 2019) und künstliche neuronale Netze (ANNs). Die grundlegende Struktur eines ANNs (Figur 26) wird veranschaulicht, wobei die Feedforward-Backpropagation und die Levenberg-Marquardt-Trainingsfunktion als wichtige Algorithmen erwähnt werden (Referenz: Abbas, A. K. et al., 2019). Der Abschnitt betont die Bedeutung von Maschinellem Lernen für die Verbesserung der Sicherheit und Effizienz von Bohroperationen und weist darauf hin, dass dies nur ein Überblick über existierende Techniken darstellt.

Dieses Kapitel beschreibt die Entwicklung eines hybriden Modells zur Verbesserung der Genauigkeit bei der Erkennung von abnormalem Bohrverhalten. Das Modell kombiniert datengetriebene und modellgetriebene Ansätze, um die mit einzelnen Ansätzen verbundenen Unsicherheiten zu reduzieren und die Vorhersagegenauigkeit zu erhöhen. Der Fokus liegt auf der Analyse von Standrohrdruck und Drehmoment als wichtigste Parameter. Für jeden Datenkanal werden drei neuronale Netze verwendet: zur Vorhersage der aktuellen Werte, der zukünftigen Werte und der zukünftigen Trends. Das Ziel ist die frühzeitige Erkennung potentieller Probleme und die Reduzierung der nicht produktiven Zeit. Die Integration eines stochastischen Modells mit einem datengetriebenen Modell soll die Unsicherheiten minimieren und die Effektivität des Vorhersagemodells verbessern. Die Verwendung eines Unsicherheitsfensters, berechnet aus der Standardabweichung des mittleren quadratischen Fehlers, dient der Minimierung von Fehlalarmen. Sobald eine bestimmte Anzahl von Datenpunkten außerhalb dieses Fensters liegt, wird eine Warnung ausgelöst. Die Methode zielt auf eine präzise und zuverlässige Anomalieerkennung in Echtzeit ab.

Bevor das hybride Modell trainiert werden kann, unterliegen die Sensordaten einer Vorverarbeitung. Ausreißer werden mithilfe von Schwellenwertregeln identifiziert und durch lineare Regression ersetzt. Datenlücken werden ebenfalls mittels linearer Regression gefüllt. Die Daten der Ausgabeschichten werden geglättet, um das Overfitting bei der Erstellung der neuronalen Netze zu reduzieren. Der Prozess der Datenfilterung (Entfernung von Ausreißern und Glättung der Datenkurven) wird minimiert, um Verzerrungen der Ergebnisse zu vermeiden. Die Einheiten der einzelnen Datenkanäle werden für eine bessere Visualisierung konvertiert. Parameter der Pumpenhübe werden, sofern mehrere Pumpen im Einsatz sind, zusammengeführt. Das Ziel ist die Bereitstellung von möglichst sauberen und repräsentativen Daten für die weiteren Analysen und die Modellerstellung. Beispielhaft werden vorverarbeitete Sensordaten der Bohrplattform Maersk Inspire, Bohrloch NO 15/9-F-15 A (Figur 38), gezeigt.

Das hybride Modell besteht aus drei Arten neuronaler Netze: für die Vorhersage der aktuellen Werte, der zukünftigen Werte und der zukünftigen Trends. Für die Vorhersage der aktuellen und zukünftigen Zeitreihen werden NARX-Netze (Nonlinear Autoregressive network with exogenous input) verwendet, die mit der Levenberg-Marquardt-Backpropagation trainiert werden. Die Hyperparameter, wie z.B. Eingabeverzögerungen, Rückkopplungsverzögerungen und die Anzahl der verborgenen Schichten, werden bestimmt. Die Datenteilung erfolgt zu 70% für Training, 15% für Validierung und 15% für Testdaten. Für die Vorhersage zukünftiger Trends werden NAR-Netze (Nonlinear Autoregressive network) eingesetzt, ebenfalls mit Levenberg-Marquardt-Backpropagation trainiert. Auch hier werden Hyperparameter wie Rückkopplungsverzögerungen und die Anzahl der verborgenen Schichten definiert. Die Datenteilung erfolgt zufällig. Der mittlere quadratische Fehler (MSE) dient zur Leistungsbewertung der Netze. Der Workflow der Modellerstellung wird in Figur 39 veranschaulicht.

Sobald eine bestimmte Anzahl von Datenpunkten als Ausreißer außerhalb des vorher definierten Unsicherheitsfensters identifiziert wird, werden Warnungen ausgelöst. Das Ziel ist, das Bohrpersonal frühzeitig auf potentielle Probleme aufmerksam zu machen, ohne die genaue Ursache zu klassifizieren. Figur 58 zeigt ein Beispiel, bei dem die tatsächlichen Daten innerhalb des Unsicherheitsfensters bleiben und keine Warnung ausgelöst wird. Figur 59 zeigt hingegen, wie zukünftige Vorhersagen (Torque und Standrohrdruck) potentielle Probleme anzeigen können, indem sie die Grenzen des Unsicherheitsfensters überschreiten. Die Anwendung analysiert Abweichungen von den vorhergesagten Werten, wobei die Sensitivität des Systems durch Tests mit manipulierten Daten untersucht wird. Die Ergebnisse zeigen, dass die Anwendung in der Lage ist, sowohl übermäßige als auch zu niedrige Werte von Drehmoment und Standrohrdruck zu erkennen, aber die Zuverlässigkeit bei geringen Abweichungen eingeschränkt sein kann.

Kapitel 4 bietet eine Zusammenfassung der in der Arbeit präsentierten Ergebnisse zur Verbesserung der Anomalieerkennung im Bohrprozess. Die Arbeit zeigt die Entwicklung und Anwendung eines hybriden Modells, welches datengetriebene und modellbasierte Ansätze kombiniert, zur präziseren Erkennung von abnormalem Verhalten von Bohrparametern, insbesondere Drehmoment und Standrohrdruck. Der Fokus lag auf der Verbesserung der Echtzeit-Überwachung und der Reduktion von Fehlalarmen, um die Bohreffizienz und die Sicherheit zu steigern. Das entwickelte System nutzt künstliche neuronale Netze (ANNs), wie NARX und NAR Netze, zur Vorhersage von aktuellen und zukünftigen Werten der Bohrparameter und implementiert ein Unsicherheitsfenster zur zuverlässigeren Anomalieerkennung. Die Ergebnisse zeigen die Effektivität des hybriden Ansatzes bei der Verbesserung der Genauigkeit der Anomaliedetektion im Vergleich zu rein datengetriebenen oder modellgetriebenen Ansätzen. Die Reduktion der nicht produktiven Zeit durch frühzeitige Warnungen vor potentiellen Problemen wird als wichtiges Ergebnis hervorgehoben. Die Ergebnisse unterstreichen den Wert von Maschinellem Lernen in der Bohrindustrie für die Verbesserung von Sicherheit und Effizienz.

Der Ausblick beschreibt die Vorteile und Einschränkungen der entwickelten eigenständigen Anwendung zur Anomalieerkennung. Die Anwendung zeichnet sich durch eine benutzerfreundliche Oberfläche, Unabhängigkeit von der Datenfrequenz und die Möglichkeit des erneuten Trainings der Netze für verschiedene Zeitintervalle aus. Die Visualisierung der Ergebnisse und die Ausgabe von Warnmeldungen werden als positive Aspekte hervorgehoben. Als zukünftige Verbesserungen werden der Ausbau zum Echtzeitbetrieb, die Anpassung der Datenimportfunktionen auf weitere Formate als .csv und die Verbesserung der Konfigurierbarkeit der Netzwerke und Warnungseinstellungen genannt. Die Arbeit hebt die Notwendigkeit weiterer Forschung zur Verbesserung der Prädiktiven Bohrloch-Analytik hervor. Ein weiterer Forschungsfokus könnte auf der Verbesserung der Zuverlässigkeit der Anomalieerkennung bei kleinen Abweichungen der Parameter liegen. Die Integration zusätzlicher Sensordaten und die Erforschung weiterer Machine-Learning-Methoden könnten die Genauigkeit und Zuverlässigkeit des Systems weiter verbessern. Die Entwicklung von Algorithmen zur Klassifizierung der erkannten Anomalien stellt eine weitere Herausforderung für zukünftige Arbeiten dar.