Voorspellingsmodel voor verloren circulatie op basis van boorparameters met een PSO-BP-neuraal netwerk

Waarom het belangrijk is dat boorvloeistof in het gat blijft

Wanneer bedrijven diep de aarde in boren voor olie en gas, vertrouwen ze op zware boorvloeistof om de put onder controle te houden. Als die vloeistof plotseling in scheuren in het gesteente verdwijnt, moeten de werkzaamheden stoppen, nemen de kosten sterk toe en worden gevaarlijke gebeurtenissen zoals blowouts waarschijnlijker. Dit artikel beschrijft een nieuwe methode om dat verlies vroegtijdig te signaleren, met een slim computermodel dat leert van echte boorgegevens en ingenieurs kan waarschuwen voordat kleine problemen uitgroeien tot ernstige ongevallen.

Wat het betekent wanneer de put begint te 'drinken'

Tijdens het boren pompen installaties boorvloeistof naar beneden door de boorpijp en laten die weer terugstromen in de ruimte tussen de pijp en het gesteente, waarbij snippers worden afgevoerd en ondergrondse drukken worden gebalanceerd. Verloren circulatie doet zich voor wanneer deze vloeistof in het omringende gesteente wegstroomt in plaats van naar het oppervlak terug te keren. Het kan wegzuigen via natuurlijke scheuren en poriën, of nieuwe breuken openen als de vloeistof te zwaar is. Hoe dan ook, de bemanning op het oppervlak ziet minder vloeistof terugkomen, en de put kan snel onstabiel worden, wat kan leiden tot instorting van de put, vastzittende pijpen of een kick, waarbij formatiewater of -gassen de put instromen.

De vitale waarden van de boorvloeistof aflezen

In het veld worden tientallen metingen elke paar seconden vastgelegd: hoeveel boorvloeistof in de oppervlaktevijzels staat, hoe snel het in en uit de put stroomt, de druk die nodig is om het omlaag te duwen, de draaisnelheid van de bit en de belasting op de boorkolom. De auteurs tonen aan dat geen enkele meting op zichzelf voldoende is om betrouwbaar problemen te detecteren; in plaats daarvan tellen patronen over meerdere signalen. Met behulp van statistiek en vakkennis van boormannen brengen zij een lange lijst parameters terug tot een klein aantal dat verliesgebeurtenissen het beste weerspiegelt: totale putvolume, standpijppdruk, het verschil tussen in- en uitstroming, topdrive- (of haak-) belasting, penetratiesnelheid, boorvloeistofdichtheid en de richting van de boorgang. Samen fungeren deze als vitale tekenen voor de gezondheid van de put.

Een digitale zwerm leren herkennen wanneer er iets mis is

Het team bouwt het waarschuwingssysteem rond een type kunstmatig neuraal netwerk, een flexibel model dat complexe relaties in gegevens kan leren. Op zichzelf kan dit soort netwerk echter langzaam leren en vastlopen in suboptimale oplossingen. Om dat te voorkomen koppelen de onderzoekers het aan particle swarm optimization, een algoritme geïnspireerd op kuddes vogels die naar voedsel zoeken. Elk "deeltje" in de zwerm vertegenwoordigt één mogelijke set instellingen van het neurale netwerk. Door te vergelijken hoe goed elke set eerdere verliesgevallen voorspelt, beweegt de zwerm gezamenlijk naar betere oplossingen. Op deze manier wordt particle swarm optimalisatie gebruikt om de interne verbindingen van het neurale netwerk af te stemmen vóór de definitieve training, waardoor het sneller en stabieler wordt.

Van ruisachtige veldgegevens naar vroegtijdige waarschuwingen

Echte boorgegevens zijn rommelig, met missende waarden, sensorruis en af en toe slechte metingen. De auteurs maken hun dataset van meerdere putten in West-China eerst schoon, verwijderen uitbijters, coderen beschrijvende gegevens en schalen alle getallen naar een gemeenschappelijke schaal zodat geen enkele variabele domineert. Vervolgens analyseren ze hoe sterk elke parameter samenhangt met verliesincidenten en houden alleen die parameters over die onderscheidende informatie toevoegen. Na training van het hybride model op tientallen vastgelegde intervallen met boorvloeistofverlies en normale periodes testen ze het op nieuwe putsecties. Het model volgt niet alleen het op- en neergaan van sleutelparameters, maar zet die patronen ook om in een heldere voorspelling of verlies waarschijnlijk is.

Hoe goed de slimme waarnemer presteert

Om te beoordelen of deze nieuwe aanpak de moeite waard is voor gebruik in het veld, vergelijken de auteurs het met meerdere alternatieven: een gewoon neuraal netwerk en versies afgestemd met twee andere optimalisatietechnieken. Ze gebruiken standaard foutmaten en tonen aan dat het door particle swarm afgestemde netwerk verloren circulatie nauwkeuriger voorspelt dan de anderen, en beter overeenkomt met werkelijke veldwaarnemingen met veel kleinere afwijkingen. In testputten identificeert het model correct zones waar vloeistof zal verloren gaan en schat het de omvang van het probleem, wat tijdens het boren een nuttige waarschuwing oplevert.

Wat dit betekent voor veiliger en goedkoper boren

In eenvoudige bewoordingen laat de studie zien dat het combineren van praktische boorkennis met geavanceerde patroonherkenningsmiddelen een betrouwbaar vroegwaarschuwingssysteem kan opleveren voor wanneer de put begint boorvloeistof in het gesteente te verliezen. Door een handvol zorgvuldig gekozen signalen te volgen en een digitale zwerm de voorspellingsmotor te laten fijnregelen, bereikt de methode hoge nauwkeurigheid en voorkomt het gemiste alarmen. Als dit in realtime monitorsystemen wordt ingebouwd, kan deze aanpak boormannen helpen om eerder te reageren—door eigenschappen van de boorvloeistof of de bedrijfsomstandigheden aan te passen voordat ernstige verliezen optreden—waardoor risico’s worden verminderd, tijd en geld bespaard en een sjabloon wordt geboden voor vergelijkbare veiligheidsinstrumenten bij andere ondergrondse en constructieve engineeringprojecten.

Bronvermelding: 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

Trefwoorden: verloren circulatie, boorveiligheid, neurale netwerk, particle swarm optimalisatie, vroegtijdige waarschuwing