Development of machine learning model to predict the optimum artificial lift system for oil wells: a case study in Oman’s south oil fields

الموضوعات

علوم تطبيقية وتكنولوجية

الملخص

The life cycle of an oil production well can be divided into several stages, starting from exploration and ending with abandonment. Each stage serves a specific purpose and involves different activities and considerations. The production phase is one of the most critical stages, where the well begins to flow and produce economically. During this phase, production rates are monitored, and reservoir management strategies are implemented to maximize recovery and minimize well decline. In the initial production stage, most wells flow naturally by relying on the reservoir's natural pressure to bring oil to the surface, resulting in relatively low operating costs. However, over time, reservoir pressure declines and eventually becomes insufficient to lift oil to the surface effectively. At this point, artificial lift systems are implemented to enhance production rates and compensate for the loss of natural pressure. These systems help maintain or increase production levels by supplying the necessary energy to lift oil to the surface. Wells equipped with artificial lift tend to have higher operational costs due to the energy requirements of the lifting mechanisms, and they often require more maintenance and monitoring to ensure efficient and consistent production. Therefore, selecting the appropriate artificial lift system is a critical decision, as it significantly affects well productivity and operational costs. Traditional methods for selecting the optimal lift system often rely on empirical data and expert judgment, making the process time-consuming and sometimes suboptimal, which can lead to increased operational costs. To address this challenge, the present study proposes the development and implementation of a Machine Learning (ML) model to predict the most suitable artificial lift system for individual oil wells in the South Oman fields. The study began by collecting completion and production data from approximately 995 horizontal wells operated using four types of Artificial Lift Systems (ALS). The dataset was cleaned, and the model was trained and validated to prepare it for deployment. Feature engineering and data preprocessing were performed to ensure the quality and relevance of the input data. By applying six machine learning classification algorithms—including Decision Tree, K-Nearest Neighbors, Random Forest, Support Vector Machines, Naïve Bayes, and Logistic Regression—we were able to identify patterns and relationships between well attributes and optimal lift systems. This thesis aims to enhance the decision-making process by offering a data-driven approach that can assist operators and early-career engineers in selecting the most suitable artificial lift system for a given well. The results of the study were highly promising, with four algorithms achieving an accuracy of over 95% at a train-test split ratio of 70:30, demonstrating the reliability of the model for future applications.

روابط وملفات

التعريف والنوع

رقم الوثيقة

ee9b32d3-89c9-429d-8b50-54c69b702c6f

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

رسائل ماجيستير

نوع الملف

pdf text

أسماء الملفات

ee9b32d3-89c9-429d-8b50-54c69b702c6f_1.pdf

بيانات النشر

ترجمة العنوان

تطوير نموذج التعلم الآلي للتنبؤ بنظام الرفع الاصطناعي الأمثل لآبار النفط: دراسة حالة في حقول النفط في جنوب عمان

ألقاب المؤلفين

[{"name_ar":"Ashish Gujrathi","title_ar":"اشراف","title_en":"Supervision"},{"name_ar":"Tarek Ganat","title_ar":"اشراف","title_en":"Supervision"},{"name_ar":"Ziyad Hilal Abdullah Al-Rashdi ","title_ar":"اعداد","title_en":"Preparation"}]

اللغة

English

المصدر والدورية

اسم المصدر

Development of machine learning model to predict the optimum artificial lift system for oil wells: a case study in Oman’s south oil fields

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

يمكن تقسيم دورة حياة بئر إنتاج النفط إلى عدة مراحل، بدءًا من الاستكشاف وحتى الهجر. تخدم كل مرحلة غرضًا محددًا وتتضمن أنشطة واعتبارات مختلفة. وتُعدّ دورة الإنتاج من المراحل المهمة التي يبدأ فيها تدفق البئر وإنتاجه بشكل اقتصادي. في هذه المرحلة، تتم مراقبة معدلات الإنتاج، وتنفيذ استراتيجيات إدارة الخزان لتحقيق أقصى قدر من الاستخراج وتقليل تراجع إنتاج الآبار. في مرحلة الإنتاج الأولي، تتدفق معظم الآبار بشكل طبيعي من خلال الاعتماد على ضغط المكمن الطبيعي لجلب النفط إلى السطح، ويتم إنتاج معظم هذه الآبار بتكاليف تشغيل منخفضة. ومع مرور الوقت، ينخفض ضغط المكمن ليصبح غير كافٍ لإيصال النفط إلى السطح بشكل فعال. وهنا يتم تطبيق أنظمة الرفع الاصطناعي لتعزيز معدلات الإنتاج وتعويض انخفاض الضغط الطبيعي. تساعد هذه الأنظمة في الحفاظ على مستويات الإنتاج أو زيادتها من خلال توفير الطاقة اللازمة لجلب النفط إلى السطح. تميل هذه الآبار إلى أن تكون تكاليف تشغيلها أعلى بسبب الطاقة المطلوبة لتشغيل آليات الرفع الاصطناعي، وقد تتطلب مزيدًا من الصيانة والمراقبة لضمان إنتاج فعّال ومتّسق. يُعدّ اختيار نظام الرفع الاصطناعي المناسب قرارًا مهمًا في هذه العملية، لأنه يؤثر بشكل كبير على إنتاجية البئر وتكاليف التشغيل. وغالبًا ما تعتمد الطرق التقليدية لاختيار نظام الرفع الأمثل على البيانات التجريبية ومعارف الخبراء، مما يجعل العملية تستغرق وقتًا طويلًا وأحيانًا دون المستوى الأمثل، وقد يؤدي ذلك إلى ارتفاع تكاليف التشغيل. ولمواجهة هذا التحدي، تقترح الدراسة الحالية تطوير وتنفيذ نموذج تعلّم آلي (ML) للتنبؤ بنظام الرفع الاصطناعي الأكثر ملاءمة لكل بئر نفط في حقول جنوب عمان. بدأت الدراسة بجمع بيانات استكمال الآبار والإنتاج لما يقرب من 995 بئرًا أفقية يتم تشغيلها بأربعة أنواع من أنظمة الرفع الاصطناعي (ALS) في الحقل. تم تنظيف البيانات لبناء النموذج والتحقق من صحته ليكون جاهزًا للاستخدام. كما أُجريت هندسة الميزات والمعالجة المسبقة للبيانات لضمان جودة البيانات المدخلة وملاءمتها. ومن خلال تطبيق ست خوارزميات لتصنيف التعلم الآلي، بما في ذلك: Decision Tree، Naïve Bayes، Support Vector Machines، Random Forest، K-Nearest Neighbors، وLogistic Regression، تعلمنا كيفية تحديد الأنماط والعلاقات بين سمات البئر وأنظمة الرفع المثالية. تهدف الأطروحة إلى تحسين عملية اتخاذ القرار من خلال توفير نهج قائم على البيانات يمكن أن يساعد المشغّلين والمهندسين الجدد في اختيار نظام الرفع الاصطناعي الأمثل لكل بئر. وقد كانت نتائج هذا البحث ممتازة، حيث سجلت أربع خوارزميات دقة أعلى من 95% بنسبة انقسام (70:30 تدريب : اختبار)، مما يجعلها نماذج موثوقة يمكن استخدامها في التطبيقات المستقبلية.

كلمات الباحثين

Oil wells- Machine learning

إشراف وإعداد

الإشراف

Ashish Gujrathi, Tarek Ganat

الإعداد

Ziyad Hilal Abdullah Al-Rashdi

الاقتباسات الببليوغرافية