Augmenting Operations Monitoring by Mining Unstructured Drilling Reports

Sid‐Ahmed, Mohamed; Coley, Christopher; Shirzadi, Shawn

doi:10.2118/173429-ms

Cited by 11 publications

(2 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…O desenvolvimento bem-sucedido de novos campos de petróleo e a extensão da vida útil dos campos de produção são o resultado de programas de perfuração eficiente (Sidahmed, Coley, & Shirzadi, 2015). A institucionalização de tais programas diminui a estrutura de custos substancialmente através do processo sistemático e advento de novas tecnologias.…”

Section: Introductionunclassified

Aplicação das Redes Neuronais Artificias para classificação das operações de perfuração: O caso de poços deepwater de Exploração e Produção

Chaile

Moro

Carneiro³

et al. 2021

risti

View full text Add to dashboard Cite

A aplicação de métodos automáticos para classificação de texto não estruturadas são extremamente valiosas para a indústria de Oil&Gas. A perfuração é uma operação que acarreta custos elevados que são proporcionais à duração das atividades. A classificação das diversas operações durante a perfuração é muito importante para gerar premissas de duração para o projeto de novos poços. Para este artigo, dois procedimentos independentes foram realizados para identificar o melhor modelo de NPT (Non-Productive Time) e PT (Productive Time). As conclusões apontam o modelo Multi-layer Perceptron (MLP) como o melhor modelo. O sistema de classificação pode ser utilizado para produzir um relatório preciso e detalhado sobre as atividades realizadas durante a perfuração de um poço. Através desse trabalho é possível concluir que os relatórios diários de perfuração atualmente disponíveis representam uma fonte rica de informação e podem ser utilizados para melhorar o processo de construção de poços de petróleo.

show abstract

Section: Introductionunclassified

Aplicação das Redes Neuronais Artificias para classificação das operações de perfuração: O caso de poços deepwater de Exploração e Produção

Chaile

Moro

Carneiro³

et al. 2021

risti

View full text Add to dashboard Cite

show abstract

“…The energy industry is in its initial steps toward the ultimate goal of smart reporting. In their paper, "Augmenting Operations Monitoring by Mining Unstructured Drilling Reports," Sidahmed et al [1] apply traditional natural language processing (NLP) techniques to drilling reports collected daily from three wells and show that, although unstructured, the text can provide new insights about drilling events (e.g., stuck pipe) that are not easily captured with other types of data. The work of Sidahmed et al is one of the few published articles on the subject and serves as a proof of concept that rich information in the form of text is being underused by the industry.…”

Section: Introductionmentioning

confidence: 99%

Sequence Mining and Pattern Analysis in Drilling Reports with Deep Natural Language Processing

Hoffimann

Mao

Wesley

et al. 2018

Day 3 Wed, September 26, 2018

View full text Add to dashboard Cite

Drilling activities in the oil and gas industry have been reported over decades for thousands of wells on a daily basis, yet the analysis of this text at large-scale for information retrieval, sequence mining, and pattern analysis is very challenging. Drilling reports contain interpretations written by drillers from noting measurements in downhole sensors and surface equipment, and can be used for operation optimization and accident mitigation. In this initial work, a methodology is proposed for automatic classification of sentences written in drilling reports into three relevant labels (EVENT, SYMPTOM and ACTION) for hundreds of wells in an actual field. Some of the main challenges in the text corpus were overcome, which include the high frequency of technical symbols, mistyping/abbreviation of technical terms, and the presence of incomplete sentences in the drilling reports. We obtain state-of-the-art classification accuracy within this technical language and illustrate advanced queries enabled by the tool.Index Terms-natural language processing (NLP), noisecontrastive estimation (NCE), convolutional neural networks (CNN), long short-term memory networks (LSTM)

show abstract

References

2022

Artificial Intelligence and Data Analytics for Energy Exploration and Production

View full text Add to dashboard Cite

Augmenting Operations Monitoring by Mining Unstructured Drilling Reports

Cited by 11 publications

References 9 publications

Aplicação das Redes Neuronais Artificias para classificação das operações de perfuração: O caso de poços deepwater de Exploração e Produção

Aplicação das Redes Neuronais Artificias para classificação das operações de perfuração: O caso de poços deepwater de Exploração e Produção

Sequence Mining and Pattern Analysis in Drilling Reports with Deep Natural Language Processing

References

Contact Info

Product

Resources

About