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

ಅಮೂರ್ತ

ಪ್ರಸ್ತುತ ಕಡಿಮೆ ತೈಲ ಬೆಲೆ ಪರಿಸ್ಥಿತಿಗಳು ತೈಲ ಮತ್ತು ಅನಿಲ ಬಾವಿಗಳನ್ನು ಕೊರೆಯುವ ಸಮಯವನ್ನು ಉಳಿಸಲು ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಯ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಕೊರೆಯುವ ಆಪ್ಟಿಮೈಸೇಶನ್‌ಗೆ ಒತ್ತು ನೀಡಿವೆ. ವೇಗದ ಕೊರೆಯುವ ಪ್ರಕ್ರಿಯೆಗಳಿಗೆ ಬಿಟ್ ತೂಕ ಮತ್ತು ರೋಟರಿ ವೇಗವನ್ನು ಕೊರೆಯುವ ನಿಯತಾಂಕಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುವಲ್ಲಿ ನುಗ್ಗುವಿಕೆಯ ದರ (ROP) ಮಾಡೆಲಿಂಗ್ ಒಂದು ಪ್ರಮುಖ ಸಾಧನವಾಗಿದೆ. ಎಕ್ಸೆಲ್ VBA, ROPPlotter ನಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾದ ನವೀನ, ಎಲ್ಲಾ-ಸ್ವಯಂಚಾಲಿತ ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಮತ್ತು ROP ಮಾಡೆಲಿಂಗ್ ಪರಿಕರದೊಂದಿಗೆ, 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 et al. (2010). ಈ ಎರಡು ಪಿಡಿಸಿ ಬಿಟ್ ಮಾದರಿಗಳನ್ನು ಬೇಸ್ ಕೇಸ್ ವಿರುದ್ಧ ಹೋಲಿಸಲಾಗುತ್ತದೆ, ಬಿಂಗ್‌ಹ್ಯಾಮ್ (1964) ಬಕ್ಕೆನ್ ಶೇಲ್ ಸಮತಲ ಬಾವಿಯ ಲಂಬ ವಿಭಾಗದಲ್ಲಿ ಮೂರು ವಿಭಿನ್ನ ಮರಳುಗಲ್ಲಿನ ರಚನೆಗಳಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಸಾಮಾನ್ಯ ROP ಸಂಬಂಧ. ಮೊದಲ ಬಾರಿಗೆ, ಇದೇ ರೀತಿಯ ಕೊರೆಯುವ ನಿಯತಾಂಕಗಳೊಂದಿಗೆ ಶಿಲಾಶಾಸ್ತ್ರಗಳನ್ನು ತನಿಖೆ ಮಾಡುವ ಮೂಲಕ ROP ಮಾದರಿ ಗುಣಾಂಕಗಳ ಮೇಲೆ ಬದಲಾಗುವ ಶಿಲಾ ಬಲದ ಪರಿಣಾಮವನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಪ್ರಯತ್ನಿಸಲಾಗಿದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಸೂಕ್ತವಾದ ಮಾದರಿ ಗುಣಾಂಕಗಳ ಮಿತಿಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ಪ್ರಾಮುಖ್ಯತೆಯ ಕುರಿತು ಸಮಗ್ರ ಚರ್ಚೆಯನ್ನು ನಡೆಸಲಾಗುತ್ತಿದೆ. ಹರೇಲ್ಯಾಂಡ್ ಮತ್ತು ಮೋಟಾಹರಿಯ ಮಾದರಿಗಳಲ್ಲಿ ಪರಿಗಣಿಸಲಾದ ಶಿಲಾ ಬಲವು ಬಿಂಗ್‌ಹ್ಯಾಮ್‌ನಲ್ಲಿ ಅಲ್ಲ, ಹಿಂದಿನ ಮಾದರಿಗಳಿಗೆ ಸ್ಥಿರ ಗುಣಕ ಮಾದರಿ ಗುಣಾಂಕಗಳ ಹೆಚ್ಚಿನ ಮೌಲ್ಯಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ, ಜೊತೆಗೆ ಮೋಟಾಹರಿಯ ಮಾದರಿಗೆ ಹೆಚ್ಚಿದ RPM ಪದ ಘಾತಾಂಕವನ್ನು ನೀಡುತ್ತದೆ. ಹರೇಲ್ಯಾಂಡ್ ಮತ್ತು ರಾಂಪೆರ್ಸಾಡ್‌ನ ಮಾದರಿಯು ಈ ನಿರ್ದಿಷ್ಟ ಡೇಟಾಸೆಟ್‌ನೊಂದಿಗೆ ಮೂರು ಮಾದರಿಗಳಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸಲಾಗಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ ROP ಮಾಡೆಲಿಂಗ್‌ನ ಪರಿಣಾಮಕಾರಿತ್ವ ಮತ್ತು ಅನ್ವಯಿಸುವಿಕೆಯನ್ನು ಪ್ರಶ್ನಿಸಲಾಗಿದೆ, ಏಕೆಂದರೆ ಅಂತಹ ಮಾದರಿಗಳು ಮಾದರಿಯ ಸೂತ್ರೀಕರಣದಲ್ಲಿ ಪರಿಗಣಿಸದ ಅನೇಕ ಕೊರೆಯುವ ಅಂಶಗಳ ಪರಿಣಾಮವನ್ನು ಒಳಗೊಂಡಿರುವ ಪ್ರಾಯೋಗಿಕ ಗುಣಾಂಕಗಳ ಗುಂಪನ್ನು ಅವಲಂಬಿಸಿವೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಶಿಲಾಶಾಸ್ತ್ರಕ್ಕೆ ವಿಶಿಷ್ಟವಾಗಿದೆ.

ಪರಿಚಯ

PDC (ಪಾಲಿಕ್ರಿಸ್ಟಲಿನ್ ಡೈಮಂಡ್ ಕಾಂಪ್ಯಾಕ್ಟ್) ಬಿಟ್‌ಗಳು ಇಂದು ತೈಲ ಮತ್ತು ಅನಿಲ ಬಾವಿಗಳನ್ನು ಕೊರೆಯುವಲ್ಲಿ ಬಳಸಲಾಗುವ ಪ್ರಬಲ ಬಿಟ್-ಟೈಪ್ ಆಗಿದೆ. ಬಿಟ್ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ನುಗ್ಗುವಿಕೆಯ ದರದಿಂದ (ROP) ಅಳೆಯಲಾಗುತ್ತದೆ, ಇದು ಪ್ರತಿ ಯೂನಿಟ್ ಸಮಯಕ್ಕೆ ಕೊರೆಯಲಾದ ರಂಧ್ರದ ಉದ್ದದ ವಿಷಯದಲ್ಲಿ ಬಾವಿಯನ್ನು ಎಷ್ಟು ವೇಗವಾಗಿ ಕೊರೆಯಲಾಗುತ್ತದೆ ಎಂಬುದರ ಸೂಚನೆಯಾಗಿದೆ. ಕೊರೆಯುವ ಆಪ್ಟಿಮೈಸೇಶನ್ ದಶಕಗಳಿಂದ ಇಂಧನ ಕಂಪನಿಗಳ ಕಾರ್ಯಸೂಚಿಗಳಲ್ಲಿ ಮುಂಚೂಣಿಯಲ್ಲಿದೆ ಮತ್ತು ಪ್ರಸ್ತುತ ಕಡಿಮೆ ತೈಲ ಬೆಲೆ ಪರಿಸರದಲ್ಲಿ ಇದು ಮತ್ತಷ್ಟು ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಪಡೆಯುತ್ತಿದೆ (ಹೇರ್‌ಲ್ಯಾಂಡ್ ಮತ್ತು ರಾಂಪರ್‌ಸಾಡ್, 1994). ಸಾಧ್ಯವಾದಷ್ಟು ಉತ್ತಮವಾದ ROP ಅನ್ನು ಉತ್ಪಾದಿಸಲು ಕೊರೆಯುವ ನಿಯತಾಂಕಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುವಲ್ಲಿ ಮೊದಲ ಹಂತವೆಂದರೆ ಮೇಲ್ಮೈಯಲ್ಲಿ ಪಡೆದ ಅಳತೆಗಳನ್ನು ಕೊರೆಯುವ ದರಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ನಿಖರವಾದ ಮಾದರಿಯ ಅಭಿವೃದ್ಧಿ.

ನಿರ್ದಿಷ್ಟ ಬಿಟ್ ಪ್ರಕಾರಕ್ಕಾಗಿ ನಿರ್ದಿಷ್ಟವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾದ ಮಾದರಿಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಹಲವಾರು ROP ಮಾದರಿಗಳನ್ನು ಸಾಹಿತ್ಯದಲ್ಲಿ ಪ್ರಕಟಿಸಲಾಗಿದೆ. ಈ ROP ಮಾದರಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಶಿಲಾಶಾಸ್ತ್ರ-ಅವಲಂಬಿತವಾದ ಹಲವಾರು ಪ್ರಾಯೋಗಿಕ ಗುಣಾಂಕಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ ಮತ್ತು ಕೊರೆಯುವ ನಿಯತಾಂಕಗಳು ಮತ್ತು ನುಗ್ಗುವಿಕೆಯ ದರದ ನಡುವಿನ ಸಂಬಂಧದ ಗ್ರಹಿಕೆಯನ್ನು ದುರ್ಬಲಗೊಳಿಸಬಹುದು. ಈ ಅಧ್ಯಯನದ ಉದ್ದೇಶವು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು ಮತ್ತು ಮಾದರಿ ಗುಣಾಂಕಗಳು ವಿಭಿನ್ನ ಕೊರೆಯುವ ನಿಯತಾಂಕಗಳೊಂದಿಗೆ ಕ್ಷೇತ್ರ ದತ್ತಾಂಶಕ್ಕೆ ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತವೆ, ನಿರ್ದಿಷ್ಟವಾಗಿ ರಾಕ್ ಬಲ, ಎರಡುಪಿಡಿಸಿ ಬಿಟ್ ಮಾದರಿಗಳು (ಹರೇಲ್ಯಾಂಡ್ ಮತ್ತು ರಾಂಪೆರ್ಸಾಡ್, 1994, ಮೋಟಹರಿ ಮತ್ತು ಇತರರು, 2010). ಮಾದರಿ ಗುಣಾಂಕಗಳು ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಬೇಸ್ ಕೇಸ್ ROP ಮಾದರಿ (ಬಿಂಗ್ಹ್ಯಾಮ್, 1964) ವಿರುದ್ಧ ಹೋಲಿಸಲಾಗುತ್ತದೆ, ಇದು ಉದ್ಯಮದಾದ್ಯಂತ ವ್ಯಾಪಕವಾಗಿ ಅನ್ವಯಿಸಲಾದ ಮತ್ತು ಪ್ರಸ್ತುತ ಬಳಕೆಯಲ್ಲಿರುವ ಮೊದಲ ROP ಮಾದರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದ ಸರಳ ಸಂಬಂಧವಾಗಿದೆ. ವಿಭಿನ್ನ ಶಿಲಾ ಸಾಮರ್ಥ್ಯಗಳೊಂದಿಗೆ ಮೂರು ಮರಳುಗಲ್ಲಿನ ರಚನೆಗಳಲ್ಲಿ ಕೊರೆಯುವ ಕ್ಷೇತ್ರ ಡೇಟಾವನ್ನು ತನಿಖೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಈ ಮೂರು ಮಾದರಿಗಳಿಗೆ ಮಾದರಿ ಗುಣಾಂಕಗಳನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ ಮತ್ತು ಪರಸ್ಪರ ಹೋಲಿಸಲಾಗುತ್ತದೆ. ಪ್ರತಿ ಶಿಲಾ ರಚನೆಯಲ್ಲಿ ಹ್ಯಾರೆಲ್ಯಾಂಡ್ ಮತ್ತು ಮೋಟಹರಿಯ ಮಾದರಿಗಳಿಗೆ ಗುಣಾಂಕಗಳು ಬಿಂಗ್ಹ್ಯಾಮ್‌ನ ಮಾದರಿ ಗುಣಾಂಕಗಳಿಗಿಂತ ವಿಶಾಲ ವ್ಯಾಪ್ತಿಯನ್ನು ವ್ಯಾಪಿಸುತ್ತವೆ ಎಂದು ಊಹಿಸಲಾಗಿದೆ, ಏಕೆಂದರೆ ನಂತರದ ಸೂತ್ರೀಕರಣದಲ್ಲಿ ವಿಭಿನ್ನ ಶಿಲಾ ಬಲವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಲೆಕ್ಕಿಸಲಾಗುವುದಿಲ್ಲ. ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಹ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ, ಇದು ಉತ್ತರ ಡಕೋಟಾದ ಬಕ್ಕೆನ್ ಶೇಲ್ ಪ್ರದೇಶಕ್ಕೆ ಉತ್ತಮ ROP ಮಾದರಿಯ ಆಯ್ಕೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ.

ಈ ಕೆಲಸದಲ್ಲಿ ಸೇರಿಸಲಾದ ROP ಮಾದರಿಗಳು ಕೊರೆಯುವ ದರಕ್ಕೆ ಕೆಲವು ಕೊರೆಯುವ ನಿಯತಾಂಕಗಳನ್ನು ಸಂಬಂಧಿಸಿರುವ ಹೊಂದಿಕೊಳ್ಳುವ ಸಮೀಕರಣಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ ಮತ್ತು ಹೈಡ್ರಾಲಿಕ್ಸ್, ಕಟ್ಟರ್-ರಾಕ್ ಸಂವಹನ, ಬಿಟ್ ವಿನ್ಯಾಸ, ಕೆಳಭಾಗದ ರಂಧ್ರ ಜೋಡಣೆ ಗುಣಲಕ್ಷಣಗಳು, ಮಣ್ಣಿನ ಪ್ರಕಾರ ಮತ್ತು ರಂಧ್ರ ಶುಚಿಗೊಳಿಸುವಿಕೆಯಂತಹ ಹಾರ್ಡ್-ಟು-ಮಾದರಿಯ ಕೊರೆಯುವ ಕಾರ್ಯವಿಧಾನಗಳ ಪ್ರಭಾವವನ್ನು ಸಂಯೋಜಿಸುವ ಪ್ರಾಯೋಗಿಕ ಗುಣಾಂಕಗಳ ಗುಂಪನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ. ಈ ಸಾಂಪ್ರದಾಯಿಕ ROP ಮಾದರಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಕ್ಷೇತ್ರ ದತ್ತಾಂಶಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸದಿದ್ದರೂ, ಅವು ಹೊಸ ಮಾಡೆಲಿಂಗ್ ತಂತ್ರಗಳಿಗೆ ಒಂದು ಪ್ರಮುಖ ಮೆಟ್ಟಿಲು ಕಲ್ಲನ್ನು ಒದಗಿಸುತ್ತವೆ. ಹೆಚ್ಚಿದ ನಮ್ಯತೆಯೊಂದಿಗೆ ಆಧುನಿಕ, ಹೆಚ್ಚು ಶಕ್ತಿಶಾಲಿ, ಅಂಕಿಅಂಶಗಳ ಆಧಾರಿತ ಮಾದರಿಗಳು ROP ಮಾಡೆಲಿಂಗ್‌ನ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು. ಗ್ಯಾಂಡೆಲ್‌ಮನ್ (2012) ಬ್ರೆಜಿಲ್‌ನ ಪೂರ್ವ-ಉಪ್ಪು ಜಲಾನಯನ ಪ್ರದೇಶಗಳಲ್ಲಿನ ತೈಲ ಬಾವಿಗಳಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ROP ಮಾದರಿಗಳ ಬದಲಿಗೆ ಕೃತಕ ನರ ಜಾಲಗಳನ್ನು ಬಳಸುವ ಮೂಲಕ ROP ಮಾಡೆಲಿಂಗ್‌ನಲ್ಲಿ ಗಮನಾರ್ಹ ವರ್ಧನೆಯನ್ನು ವರದಿ ಮಾಡಿದ್ದಾರೆ. ಬಿಲ್ಗೆಸು ಮತ್ತು ಇತರರು (1997), ಮೊರಾನ್ ಮತ್ತು ಇತರರು (2010) ಮತ್ತು ಎಸ್ಮೇಲಿ ಮತ್ತು ಇತರರು (2012) ಅವರ ಕೃತಿಗಳಲ್ಲಿ ROP ಭವಿಷ್ಯಕ್ಕಾಗಿ ಕೃತಕ ನರ ಜಾಲಗಳನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಬಳಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ. ಆದಾಗ್ಯೂ, ROP ಮಾಡೆಲಿಂಗ್‌ನಲ್ಲಿ ಅಂತಹ ಸುಧಾರಣೆಯು ಮಾದರಿ ವ್ಯಾಖ್ಯಾನದ ವೆಚ್ಚದಲ್ಲಿ ಬರುತ್ತದೆ. ಆದ್ದರಿಂದ, ಸಾಂಪ್ರದಾಯಿಕ ROP ಮಾದರಿಗಳು ಇನ್ನೂ ಪ್ರಸ್ತುತವಾಗಿವೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಕೊರೆಯುವ ನಿಯತಾಂಕವು ನುಗ್ಗುವಿಕೆಯ ದರದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂಬುದನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಪರಿಣಾಮಕಾರಿ ವಿಧಾನವನ್ನು ಒದಗಿಸುತ್ತವೆ.

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