Modello di previsione della perdita di circolazione basato sui parametri di perforazione con rete neurale PSO-BP

Perché è importante mantenere il fango da perforazione nel pozzo

Quando le compagnie trivellano in profondità nel sottosuolo alla ricerca di petrolio e gas, contano su fanghi pesanti per mantenere il pozzo sotto controllo. Se quel fango scompare improvvisamente nelle fratture della roccia, le operazioni devono fermarsi, i costi aumentano e eventi pericolosi come blowout del pozzo diventano più probabili. Questo articolo descrive un nuovo metodo per individuare presto tali perdite, usando un modello informatico intelligente che apprende dai dati di perforazione reali e può avvertire gli ingegneri prima che piccoli problemi si trasformino in incidenti gravi.

Cosa significa quando il pozzo comincia ad “assorbire” il fango

Durante la perforazione, le pompe inviano il fango lungo la tubazione di perforazione e lo fanno risalire nello spazio tra la tubazione e la roccia, trasportando i trucioli e bilanciando le pressioni sotterranee. La perdita di circolazione si verifica quando questo fango sfugge nella roccia circostante invece di tornare in superficie. Può filtrare attraverso fratture naturali e pori, o aprire nuove fratture se il fango è troppo pesante. In entrambi i casi, l’equipaggio in superficie osserva un ritorno di fango ridotto e il pozzo può rapidamente diventare instabile, con possibili cedimenti del foro, incastri della tubazione o un kick, quando i fluidi di formazione si gettano nel foro.

Leggere i segni vitali del fango

In campo, molte misure vengono registrate ogni pochi secondi: quanto fango è presente nei serbatoi superficiali, quanto scorre dentro e fuori il pozzo, la pressione necessaria per spingerlo in profondità, la velocità di avanzamento della punta e il carico sulla colonna di perforazione. Gli autori mostrano che nessuna singola lettura è sufficiente per rilevare con affidabilità i problemi; sono invece i modelli tra diversi segnali a contare. Utilizzando sia metodi statistici sia l’esperienza degli operatori, riducono una lunga lista di parametri a un piccolo insieme che meglio riflette gli eventi di perdita: volume totale del pit, pressione alla standpipe, differenza tra flusso in entrata e in uscita, carico del top drive (o del gancio), velocità di penetrazione, densità del fango e direzione del pozzo. Insieme, questi agiscono come segni vitali per la salute del pozzo.

Insegnare a uno sciame digitale a individuare problemi

Il team costruisce il sistema di allerta attorno a un tipo di rete neurale artificiale, un modello flessibile in grado di apprendere relazioni complesse nascoste nei dati. Da sola, tuttavia, questo tipo di rete può apprendere lentamente e restare bloccata in soluzioni sub‑ottimali. Per superare questo limite, i ricercatori la accoppiano con l’ottimizzazione tramite sciame di particelle, un algoritmo ispirato agli stormi di uccelli che cercano cibo. Ogni “particella” nello sciame rappresenta un insieme possibile di impostazioni della rete neurale. Confrontando quanto bene ogni insieme predice eventi di perdita passati, lo sciame converge collettivamente verso soluzioni migliori. In questo modo l’ottimizzazione con sciame di particelle viene usata per tarare le connessioni interne della rete prima dell’addestramento finale, rendendolo più rapido e più stabile.

Dai dati di campo rumorosi alle allerte precoci

I dati di perforazione reali sono disordinati, con valori mancanti, rumore dei sensori e letture occasionalmente errate. Gli autori prima puliscono il loro dataset proveniente da diversi pozzi nell’ovest della Cina, rimuovono gli outlier, codificano le voci descrittive e normalizzano tutti i numeri in un intervallo comune in modo che nessuna variabile domini. Analizzano quindi quanto ciascun parametro è correlato agli incidenti di perdita e mantengono solo quelli che forniscono informazioni distinte. Dopo aver addestrato il modello ibrido su dozzine di intervalli registrati di perdita di fango e condizioni normali, lo testano su nuove sezioni di pozzi. Il modello non solo segue l’aumento e la diminuzione dei parametri chiave, ma trasforma quei modelli in una previsione chiara della probabilità di perdita.

Quanto è efficace il guardiano intelligente

Per giudicare se questo nuovo approccio valga l’adozione in campo, gli autori lo confrontano con varie alternative: una rete neurale semplice e versioni tarate con due altre tecniche di ottimizzazione. Usano misure standard di errore e mostrano che la rete tarata con lo sciame di particelle predice la perdita di circolazione con maggiore accuratezza rispetto alle altre, rispecchiando le osservazioni di campo reali con scarti molto più piccoli. Nei pozzi di prova, il modello identifica correttamente le zone in cui il fango verrà perso e stima l’entità del problema, fornendo un utile preavviso mentre la perforazione è ancora in corso.

Cosa significa per perforazioni più sicure e meno costose

In termini semplici, lo studio dimostra che combinare il know‑how pratico della perforazione con strumenti avanzati di riconoscimento dei modelli può creare un sistema di allerta precoce affidabile per quando il pozzo comincia a “perdere” fango nella roccia. Osservando una manciata di segnali scelti con cura e permettendo a uno sciame digitale di perfezionare il motore predittivo, il metodo raggiunge alta accuratezza ed evita falsi negativi. Se integrato nei sistemi di monitoraggio in tempo reale, questo approccio potrebbe aiutare gli operatori a reagire prima—regolando le proprietà del fango o le condizioni operative prima che si verifichino perdite gravi—riducendo il rischio, risparmiando tempo e denaro e offrendo un modello applicabile ad altri strumenti di sicurezza in progetti sotterranei e di ingegneria strutturale.

Citazione: Wang, Z., Yang, M., Du, P. et al. Prediction model of lost circulation based on drilling parameters with PSO-BP neural network. Sci Rep 16, 13976 (2026). https://doi.org/10.1038/s41598-026-44613-2

Parole chiave: perdita di circolazione, sicurezza della perforazione, rete neurale, ottimizzazione con sciame di particelle, allerta precoce