Zintegrowane systemy wspierane sztuczną inteligencją i automatyzacją w technologii płynów wiertniczych - kierunki rozwoju i przyszłe perspektywy

Szczygieł, Andrzej; Jamrozik, Aleksandra

Artykuł - szczegóły

Tytuł artykułu

Zintegrowane systemy wspierane sztuczną inteligencją i automatyzacją w technologii płynów wiertniczych - kierunki rozwoju i przyszłe perspektywy

Autorzy

Szczygieł Andrzej , Jamrozik Aleksandra

Wybrane pełne teksty z tego czasopisma

https://www.sitpnig.pl/archiwum-wnig

Identyfikatory

Warianty tytułu

Integrated systems supported by artificial intelligence and automation in drilling fluids technology - development directions and future prospects

Języki publikacji

Abstrakty

W niniejszym artykule przedstawiono wdrażanie innowacyjnych rozwiązań w obszarze technologii płynów wiertniczych. Szczególny nacisk położono na zautomatyzowane systemy monitorowania i kontroli parametrów technologicznych płuczek wiertniczych oraz automatyzację obsługi sprzętu do oczyszczania płuczek. Systemy monitoringu i kontroli parametrów płuczek wiertniczych wspierane przez algorytmy sztucznej inteligencji (AI) pozwalają na zwiększona dokładność pomiarów, optymalizację zużycia zasobów, redukcja ryzyka operacyjnego w trudnych warunkach geologicznych, np. przy wysokim ciśnieniu i temperaturze (HPHT), a także mogą przyczynić się do poprawy efektywności energetycznej procesów wiertniczych oraz bezpieczeństwa prowadzonych operacji.

This article presents the implementation of innovative solutions in the field of drilling fluids technology. Particular emphasis is placed on automated systems for monitoring and controlling the technological parameters of drilling fluids, as well as the automation of drilling fluid solids control equipment. Monitoring and control systems for drilling fluid parameters, supported by artificial intelligence (AI) algorithms, enable increased measurement accuracy, optimized resource consumption, and reduced operational risks in challenging geological conditions, such as high-pressure and high-temperature (HPHT) environments. Additionally, these systems contribute to improving the energy efficiency of drilling processes and enhancing operational safety.

Słowa kluczowe

płuczki wiertnicze systemy monitorowania branża wydobywcza sztuczna inteligencja

drilling fluids monitoring systems mining industry artificial intelligence

Wydawca

Stowarzyszenie Naukowo-Techniczne Inżynierów i Techników Przemysłu Naftowego i Gazowniczego

Czasopismo

Wiadomości Naftowe i Gazownicze

Rocznik

2024

Tom

R. 27, Nr 11 (309)

Strony

7--11

Opis fizyczny

Bibliogr. 25 poz., rys., tab.

Twórcy

autor

Szczygieł Andrzej

Chemfor Poland Sp. z o.o.

autor

Jamrozik Aleksandra

Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie al. Mickiewicza 30 30-059 Kraków

Bibliografia

1. AADE American Association of Drilling Engineers,2014. Shale Shakers and Drilling Fluids System, Texas
2. Carpenter Ch., 2024. Real-Time Monitoring and Control System Enhances Drilling-Fluid Management. Journal Petroleum Technology 76, s. 80–83. doi: https://doi.org/10.2118/1124-0080-JPT
3. Chelliahet P., R., al, 2023, The Power of Artificial Intelligence for the Next-Generation Oil and Gas Industry, ISBN: 978-1-119-98558-7, Wiley-IEEE Press
4. Davoodi S. et al., 2024. Hybrid Machine-Learning Model for Accurate Prediction of Filtration Volume in Water-Based Drilling Fluids. Applied Sciences. 14(19):9035. https://doi.org/10.3390/app14199035
5. DNV, 2024, AI spells opportunity and manageable risk for the oil and gas industry, Report 2024, dostęp on-line na dzień 21.11.2024 r. https://www.dnv.com/article/ai-spells-opportunity-and-manageablerisk-for-the-oil-and-gas-industry/
6. Gul S., van Oort E., 2020. A machine learning approach to filtrate loss determination and test automation for drilling and completion fluids. Journal Petroleum Science Engineering, 186, Article 106727,10.1016/j.petrol.2019.106727
7. Halliburton, 2024. LOGIX®: precision drilling through intelligent automation, dostęp on-line na dzień 19.11.2024 r: https://www.halliburton.com/en/about--us/press-release/logix-precision-drillingthrough-intelligent-automation?utm_source=chatgpt.com
8. Jeirani Z., Mohebbi A., 2006. Artificial Neural Networks Approach for Estimating Filtration Properties of Drilling Fluids. Journal of the Japan Petroleum Institute, Vol. 49, Issue 2, Pages 65-70, Released on J-STAGE May 01, 2006, https://doi. org/10.1627/jpi.49.65, dostęp on-line na dzień 19.11.2024 r.: https://www.jstage.jst.go.jp/article/jpi/49/2/49_2_65/_article/-char/en
9. Kang Y., et al., 2023. Prediction of drilling fluid lost-circulation zone based on deep learning. Energy, vol. 276, https://doi.org/10.1016/j.energy.2023.127495
10. Li J. X., et al., 2024. Artificial General Intelligence (AGI) for the oil and gas industry: a review, arXiv:2406.00594, https://doi.org/10.48550/arXiv.2406.00594
11. McMullen J., 2024. How oil companies can lead in the energy transition: Greener today and sustainable tomorrow, dostęp online na dzień 19.11.2024 r:https://discover.aveva.com/paid-search-op-pi-growth-w2-o-g/blog-how-oilcompanies-can-lead-in-the-energytr_ansition?utm_term=drilling% 20analytic s&utm_campaign=G_S_A _EMEA_EU_Campaign_Solution_Operations Operate-PI-Growth-Industries& utm_source=adwords&utm_medium=Operate-PI-Growth-Industries& utm_source=adwords&utm_medium ppc&gad_source=1&gclid=Cj0KCQi A i _G5BhDX A RIs A N5SX 7oNWU -Dv7khag5qwjQe8Er v_ A _dB4JdvPsb- SRUCl-7G0LJD6KoWtrtoaAgunEALw_wcB
12. Millman R., 2024. How the oil and gas industry is using AI to maximize production, ITPro., dostęp on-line na dzień: 21.11.2024: https://www.itpro.com/technology/artificial-intelligence/howthe-oil-and-gas-industry-is-using-ai-tomaximize-production
13. OFITE, 2024a, dostęp on-line na dzień 19.11.2024: https://ofite-rheology.com/mud-watcher/
14. OFITE, 2024b, dostęp on-line na dzień 19.11.2024: www.ofite-rheology.com/mud-aid
15. Petryshak O., et al., 2022. Drilling Fluids Recommender System – Artificial Intelligence in Action. AADE, AADE-22-FTCE-082 https://www.aade.org/application/ files/9216/5237/6204/AADE-22-FTCE-082_-_Petryshak_et_al.pdf.
16. Sheng K., et al., 2024. The Application Potential of Artificial Intelligence and Numerical Simulation in the Research and Formulation Design of Drilling Fluid Gel Performance. Geles, vol. 10, 403
17. Whitfield S., 2020. Drilling fluid digital twins developed to monitor rheological properties, cuttings transport functionality. Drilling Contractor, IACD, vol. 76,no. 4
18. Zhong R. et al., 2022. Machine learning for drilling applications: A review. Journal of Natural Gas Science and Engineering, Vol. 108, 104807, https://doi.org/10.1016/j.jngse.2022.104807
19. Ye Y., et al., 2023. New Approach for Predicting the Rheological Properties of Oil-Based Drilling Fluids under High Temperature and High Pressure Based on a Parameter-Free Method. Applied Sciences. 13(15):8592. https://doi.org/10.3390/ app13158592
20. Smith, T., & Zhang, L. (2021). Advances in Robotic Drilling Technologies.
21. Schlumberger. (2021). Pressure and Temperature Sensors in Drilling Applications.
22. Baker Hughes. (2022). Advanced Measurement Systems for Well Monitoring.
23. Halliburton. (2021). Automated Chemical Analysis for Drilling Fluids.
24. National Oilwell Varco. (2022). Automated Separation Systems for Drilling Fluids.
25. Baker Hughes. (2022). Advanced Monitoring and Control in Fluid Cleaning Systems.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-be3323a7-317f-41b3-9bea-5971252cb03a