PDC ಬಿಟ್ ROP ಮಾದರಿಗಳ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಮಾದರಿ ಗುಣಾಂಕಗಳ ಮೇಲೆ ರಾಕ್ ಬಲದ ಪರಿಣಾಮವನ್ನು ಹೇಗೆ ತಿಳಿಯುವುದು?

ಅಮೂರ್ತ

ಪ್ರಸ್ತುತ ಕಡಿಮೆ ತೈಲ ಬೆಲೆಯ ಪರಿಸ್ಥಿತಿಗಳು ತೈಲ ಮತ್ತು ಅನಿಲ ಬಾವಿಗಳನ್ನು ಕೊರೆಯುವ ಸಮಯವನ್ನು ಉಳಿಸಲು ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಯ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಕೊರೆಯುವ ಆಪ್ಟಿಮೈಸೇಶನ್‌ಗೆ ಒತ್ತು ನೀಡಿವೆ. ರೇಟ್ ಆಫ್ ಪೆನೆಟ್ರೇಶನ್ (ROP) ಮಾಡೆಲಿಂಗ್ ಕೊರೆಯುವ ನಿಯತಾಂಕಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸುವಲ್ಲಿ ಪ್ರಮುಖ ಸಾಧನವಾಗಿದೆ, ಅವುಗಳೆಂದರೆ ಬಿಟ್ ತೂಕ ಮತ್ತು ವೇಗವಾದ ಕೊರೆಯುವ ಪ್ರಕ್ರಿಯೆಗಳಿಗಾಗಿ ರೋಟರಿ ವೇಗ. ಎಕ್ಸೆಲ್ VBA, ROPPlotter ನಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾದ ಒಂದು ಕಾದಂಬರಿ, ಎಲ್ಲಾ ಸ್ವಯಂಚಾಲಿತ ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಮತ್ತು ROP ಮಾಡೆಲಿಂಗ್ ಉಪಕರಣದೊಂದಿಗೆ, ಈ ಕೆಲಸವು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಎರಡು ವಿಭಿನ್ನ PDC ಬಿಟ್ ROP ಮಾದರಿಗಳ ಮಾದರಿ ಗುಣಾಂಕಗಳ ಮೇಲೆ ರಾಕ್ ಬಲದ ಪ್ರಭಾವವನ್ನು ತನಿಖೆ ಮಾಡುತ್ತದೆ: Hareland and Rampersad (1994) ಮತ್ತು Motahhari ಮತ್ತು ಇತರರು. (2010). ಈ ಎರಡು PDC ಬಿಟ್ ಮಾದರಿಗಳನ್ನು ಬೇಸ್ ಕೇಸ್ ವಿರುದ್ಧ ಹೋಲಿಸಲಾಗುತ್ತದೆ, ಬಿಂಗ್‌ಹ್ಯಾಮ್ (1964) ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಸಾಮಾನ್ಯ ROP ಸಂಬಂಧವು ಬಕೆನ್ ಶೇಲ್ ಸಮತಲ ಬಾವಿಯ ಲಂಬ ವಿಭಾಗದಲ್ಲಿ ಮೂರು ವಿಭಿನ್ನ ಮರಳುಗಲ್ಲು ರಚನೆಗಳಲ್ಲಿದೆ. ಮೊದಲ ಬಾರಿಗೆ, ಒಂದೇ ರೀತಿಯ ಕೊರೆಯುವ ನಿಯತಾಂಕಗಳೊಂದಿಗೆ ಶಿಲಾಶಾಸ್ತ್ರವನ್ನು ತನಿಖೆ ಮಾಡುವ ಮೂಲಕ ROP ಮಾದರಿಯ ಗುಣಾಂಕಗಳ ಮೇಲೆ ವಿಭಿನ್ನ ಬಂಡೆಯ ಬಲದ ಪರಿಣಾಮವನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಪ್ರಯತ್ನಿಸಲಾಗಿದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಸೂಕ್ತವಾದ ಮಾದರಿ ಗುಣಾಂಕಗಳ ಮಿತಿಗಳನ್ನು ಆಯ್ಕೆಮಾಡುವ ಪ್ರಾಮುಖ್ಯತೆಯ ಕುರಿತು ಸಮಗ್ರ ಚರ್ಚೆಯನ್ನು ನಡೆಸಲಾಗುತ್ತದೆ. ರಾಕ್ ಸ್ಟ್ರೆಂತ್, ಹೆರ್‌ಲ್ಯಾಂಡ್‌ನ ಮತ್ತು ಮೊಟಹರಿಯ ಮಾದರಿಗಳಲ್ಲಿ ಪರಿಗಣಿಸಲ್ಪಟ್ಟಿದೆ ಆದರೆ ಬಿಂಗ್‌ಹ್ಯಾಮ್‌ನಲ್ಲಿ ಅಲ್ಲ, ಹಿಂದಿನ ಮಾದರಿಗಳಿಗೆ ಸ್ಥಿರವಾದ ಗುಣಕ ಮಾದರಿಯ ಗುಣಾಂಕಗಳ ಹೆಚ್ಚಿನ ಮೌಲ್ಯಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ, ಜೊತೆಗೆ ಮೋಟಾಹರಿಯ ಮಾದರಿಗೆ ಹೆಚ್ಚಿದ ಆರ್‌ಪಿಎಂ ಟರ್ಮ್ ಎಕ್ಸ್‌ಪೋನೆಂಟ್. Hareland ಮತ್ತು Rampersad ನ ಮಾದರಿಯು ಈ ನಿರ್ದಿಷ್ಟ ಡೇಟಾಸೆಟ್‌ನೊಂದಿಗೆ ಮೂರು ಮಾದರಿಗಳಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ ROP ಮಾಡೆಲಿಂಗ್‌ನ ಪರಿಣಾಮಕಾರಿತ್ವ ಮತ್ತು ಅನ್ವಯಿಕತೆಯನ್ನು ಪ್ರಶ್ನಿಸಲಾಗುತ್ತದೆ, ಏಕೆಂದರೆ ಅಂತಹ ಮಾದರಿಗಳು ಪ್ರಾಯೋಗಿಕ ಗುಣಾಂಕಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ, ಇದು ಮಾದರಿಯ ಸೂತ್ರೀಕರಣದಲ್ಲಿ ಪರಿಗಣಿಸದ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಶಿಲಾಶಾಸ್ತ್ರಕ್ಕೆ ವಿಶಿಷ್ಟವಾದ ಅನೇಕ ಕೊರೆಯುವ ಅಂಶಗಳ ಪರಿಣಾಮವನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ.

ಪರಿಚಯ

PDC (ಪಾಲಿಕ್ರಿಸ್ಟಲಿನ್ ಡೈಮಂಡ್ ಕಾಂಪ್ಯಾಕ್ಟ್) ಬಿಟ್‌ಗಳು ಇಂದು ತೈಲ ಮತ್ತು ಅನಿಲ ಬಾವಿಗಳನ್ನು ಕೊರೆಯುವಲ್ಲಿ ಬಳಸಲಾಗುವ ಪ್ರಬಲ ಬಿಟ್-ಟೈಪ್ ಆಗಿದೆ. ಬಿಟ್ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ನುಗ್ಗುವ ದರದಿಂದ (ROP) ಅಳೆಯಲಾಗುತ್ತದೆ, ಪ್ರತಿ ಯುನಿಟ್ ಸಮಯಕ್ಕೆ ಕೊರೆಯಲಾದ ರಂಧ್ರದ ಉದ್ದದ ಪ್ರಕಾರ ಬಾವಿಯನ್ನು ಎಷ್ಟು ವೇಗವಾಗಿ ಕೊರೆಯಲಾಗುತ್ತದೆ ಎಂಬುದರ ಸೂಚನೆಯಾಗಿದೆ. ಡ್ರಿಲ್ಲಿಂಗ್ ಆಪ್ಟಿಮೈಸೇಶನ್ ಈಗ ದಶಕಗಳಿಂದ ಇಂಧನ ಕಂಪನಿಗಳ ಅಜೆಂಡಾಗಳಲ್ಲಿ ಮುಂಚೂಣಿಯಲ್ಲಿದೆ ಮತ್ತು ಪ್ರಸ್ತುತ ಕಡಿಮೆ ತೈಲ ಬೆಲೆಯ ವಾತಾವರಣದಲ್ಲಿ ಇದು ಹೆಚ್ಚಿನ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಪಡೆಯುತ್ತದೆ (ಹ್ಯಾರ್ಲ್ಯಾಂಡ್ ಮತ್ತು ರಾಮ್ಪರ್ಸಾಡ್, 1994). ಸಾಧ್ಯವಾದಷ್ಟು ಉತ್ತಮವಾದ ROP ಅನ್ನು ಉತ್ಪಾದಿಸಲು ಡ್ರಿಲ್ಲಿಂಗ್ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸುವ ಮೊದಲ ಹಂತವೆಂದರೆ ಮೇಲ್ಮೈಯಲ್ಲಿ ಪಡೆದ ಅಳತೆಗಳನ್ನು ಕೊರೆಯುವ ದರಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ನಿಖರವಾದ ಮಾದರಿಯ ಅಭಿವೃದ್ಧಿಯಾಗಿದೆ.

ನಿರ್ದಿಷ್ಟ ಬಿಟ್ ಪ್ರಕಾರಕ್ಕಾಗಿ ವಿಶೇಷವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಮಾದರಿಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಹಲವಾರು ROP ಮಾದರಿಗಳನ್ನು ಸಾಹಿತ್ಯದಲ್ಲಿ ಪ್ರಕಟಿಸಲಾಗಿದೆ. ಈ ROP ಮಾದರಿಗಳು ವಿಶಿಷ್ಟವಾಗಿ ಲಿಥಾಲಜಿ-ಅವಲಂಬಿತವಾದ ಹಲವಾರು ಪ್ರಾಯೋಗಿಕ ಗುಣಾಂಕಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ ಮತ್ತು ಕೊರೆಯುವ ನಿಯತಾಂಕಗಳು ಮತ್ತು ನುಗ್ಗುವಿಕೆಯ ದರದ ನಡುವಿನ ಸಂಬಂಧದ ಗ್ರಹಿಕೆಯನ್ನು ದುರ್ಬಲಗೊಳಿಸಬಹುದು. ಈ ಅಧ್ಯಯನದ ಉದ್ದೇಶವು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು ಮತ್ತು ಮಾದರಿಯ ಗುಣಾಂಕಗಳು ವಿಭಿನ್ನ ಕೊರೆಯುವ ನಿಯತಾಂಕಗಳೊಂದಿಗೆ ಕ್ಷೇತ್ರ ಡೇಟಾಗೆ ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತವೆ, ನಿರ್ದಿಷ್ಟವಾಗಿ ರಾಕ್ ಸಾಮರ್ಥ್ಯ, ಎರಡುPDC ಬಿಟ್ ಮಾದರಿಗಳು (ಹ್ಯಾರ್ಲ್ಯಾಂಡ್ ಮತ್ತು ರಾಮ್ಪರ್ಸಾಡ್, 1994, ಮೊಟಹರಿ ಮತ್ತು ಇತರರು, 2010). ಮಾದರಿ ಗುಣಾಂಕಗಳು ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಬೇಸ್ ಕೇಸ್ ROP ಮಾದರಿಯೊಂದಿಗೆ ಹೋಲಿಸಲಾಗುತ್ತದೆ (ಬಿಂಗ್‌ಹ್ಯಾಮ್, 1964), ಇದು ಸರಳವಾದ ಸಂಬಂಧವಾಗಿದೆ, ಇದು ಉದ್ಯಮದಾದ್ಯಂತ ವ್ಯಾಪಕವಾಗಿ ಅನ್ವಯಿಸುತ್ತದೆ ಮತ್ತು ಪ್ರಸ್ತುತ ಬಳಕೆಯಲ್ಲಿದೆ. ವಿಭಿನ್ನ ಬಂಡೆಗಳ ಸಾಮರ್ಥ್ಯದೊಂದಿಗೆ ಮೂರು ಮರಳುಗಲ್ಲು ರಚನೆಗಳಲ್ಲಿ ಕೊರೆಯುವ ಕ್ಷೇತ್ರದ ಡೇಟಾವನ್ನು ತನಿಖೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಈ ಮೂರು ಮಾದರಿಗಳಿಗೆ ಮಾದರಿ ಗುಣಾಂಕಗಳನ್ನು ಗಣಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಒಂದರ ವಿರುದ್ಧ ಹೋಲಿಸಲಾಗುತ್ತದೆ. ಪ್ರತಿ ಶಿಲಾ ರಚನೆಯಲ್ಲಿನ ಹೆರ್‌ಲ್ಯಾಂಡ್‌ನ ಮತ್ತು ಮೋಟಾಹರಿಯ ಮಾದರಿಗಳ ಗುಣಾಂಕಗಳು ಬಿಂಗ್‌ಹ್ಯಾಮ್‌ನ ಮಾದರಿ ಗುಣಾಂಕಗಳಿಗಿಂತ ವಿಶಾಲ ವ್ಯಾಪ್ತಿಯನ್ನು ವ್ಯಾಪಿಸುತ್ತವೆ ಎಂದು ಪ್ರತಿಪಾದಿಸಲಾಗಿದೆ, ಏಕೆಂದರೆ ನಂತರದ ಸೂತ್ರೀಕರಣದಲ್ಲಿ ವಿಭಿನ್ನ ಬಂಡೆಯ ಬಲವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಪರಿಗಣಿಸಲಾಗುವುದಿಲ್ಲ. ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಹ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ, ಇದು ಉತ್ತರ ಡಕೋಟಾದಲ್ಲಿನ ಬಕೆನ್ ಶೇಲ್ ಪ್ರದೇಶಕ್ಕೆ ಅತ್ಯುತ್ತಮ ROP ಮಾದರಿಯ ಆಯ್ಕೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ.

ಈ ಕೆಲಸದಲ್ಲಿ ಸೇರಿಸಲಾದ ROP ಮಾದರಿಗಳು ಕೆಲವು ಕೊರೆಯುವ ನಿಯತಾಂಕಗಳನ್ನು ಕೊರೆಯುವ ದರಕ್ಕೆ ಸಂಬಂಧಿಸಿರುವ ಹೊಂದಿಕೊಳ್ಳುವ ಸಮೀಕರಣಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ ಮತ್ತು ಹೈಡ್ರಾಲಿಕ್ಸ್, ಕಟ್ಟರ್-ರಾಕ್ ಇಂಟರಾಕ್ಷನ್, ಬಿಟ್‌ನಂತಹ ಹಾರ್ಡ್-ಟು-ಮಾಡೆಲ್ ಡ್ರಿಲ್ಲಿಂಗ್ ಕಾರ್ಯವಿಧಾನಗಳ ಪ್ರಭಾವವನ್ನು ಸಂಯೋಜಿಸುವ ಪ್ರಾಯೋಗಿಕ ಗುಣಾಂಕಗಳ ಗುಂಪನ್ನು ಹೊಂದಿರುತ್ತವೆ. ವಿನ್ಯಾಸ, ಬಾಟಮ್-ಹೋಲ್ ಅಸೆಂಬ್ಲಿ ಗುಣಲಕ್ಷಣಗಳು, ಮಣ್ಣಿನ ಪ್ರಕಾರ ಮತ್ತು ರಂಧ್ರ ಸ್ವಚ್ಛಗೊಳಿಸುವಿಕೆ. ಈ ಸಾಂಪ್ರದಾಯಿಕ ROP ಮಾದರಿಗಳು ಫೀಲ್ಡ್ ಡೇಟಾಗೆ ಹೋಲಿಸಿದರೆ ಸಾಮಾನ್ಯವಾಗಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲವಾದರೂ, ಅವು ಹೊಸ ಮಾಡೆಲಿಂಗ್ ತಂತ್ರಗಳಿಗೆ ಪ್ರಮುಖ ಮೆಟ್ಟಿಲುಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ. ಹೆಚ್ಚಿದ ನಮ್ಯತೆಯೊಂದಿಗೆ ಆಧುನಿಕ, ಹೆಚ್ಚು ಶಕ್ತಿಶಾಲಿ, ಅಂಕಿಅಂಶ ಆಧಾರಿತ ಮಾದರಿಗಳು ROP ಮಾಡೆಲಿಂಗ್‌ನ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು. Gandelman (2012) ಬ್ರೆಜಿಲ್‌ನ ಪೂರ್ವ-ಉಪ್ಪು ಬೇಸಿನ್‌ಗಳಲ್ಲಿನ ತೈಲ ಬಾವಿಗಳಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ROP ಮಾದರಿಗಳ ಬದಲಿಗೆ ಕೃತಕ ನರ ಜಾಲಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಮೂಲಕ ROP ಮಾಡೆಲಿಂಗ್‌ನಲ್ಲಿ ಗಮನಾರ್ಹ ವರ್ಧನೆಯನ್ನು ವರದಿ ಮಾಡಿದೆ. ಬಿಲ್ಗೆಸು ಮತ್ತು ಇತರರ ಕೃತಿಗಳಲ್ಲಿ ಆರ್‌ಒಪಿ ಭವಿಷ್ಯಕ್ಕಾಗಿ ಕೃತಕ ನರಮಂಡಲಗಳನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಬಳಸಿಕೊಳ್ಳಲಾಗಿದೆ. (1997), ಮೊರನ್ ಮತ್ತು ಇತರರು. (2010) ಮತ್ತು Esmaeili et al. (2012) ಆದಾಗ್ಯೂ, ROP ಮಾಡೆಲಿಂಗ್‌ನಲ್ಲಿ ಅಂತಹ ಸುಧಾರಣೆಯು ಮಾದರಿಯ ವ್ಯಾಖ್ಯಾನದ ವೆಚ್ಚದಲ್ಲಿ ಬರುತ್ತದೆ. ಆದ್ದರಿಂದ, ಸಾಂಪ್ರದಾಯಿಕ ROP ಮಾದರಿಗಳು ಇನ್ನೂ ಪ್ರಸ್ತುತವಾಗಿವೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಡ್ರಿಲ್ಲಿಂಗ್ ಪ್ಯಾರಾಮೀಟರ್ ನುಗ್ಗುವಿಕೆಯ ದರವನ್ನು ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂಬುದನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಪರಿಣಾಮಕಾರಿ ವಿಧಾನವನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಮೈಕ್ರೋಸಾಫ್ಟ್ ಎಕ್ಸೆಲ್ VBA (ಸೋರೆಸ್, 2015) ನಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾದ ಕ್ಷೇತ್ರ ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಮತ್ತು ROP ಮಾಡೆಲಿಂಗ್ ಸಾಫ್ಟ್‌ವೇರ್ ROPPlotter, ಮಾದರಿ ಗುಣಾಂಕಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಮತ್ತು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೋಲಿಸಲು ಬಳಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ.