Науковий вісник НГУ

Модельно-прогнозуюче керування процесом буріння свердловин

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №2 2026

Останнє оновлення: 25 квітня 2026

Опубліковано: 30 листопада -0001

Перегляди: 1341

Authors:

В. С. Моркун, orcid.org/0000-0003-1506-9759,  Байройтский університет, м. Байройт, Федеративна Республіка Німеччина, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Н. В. Мокрун, orcid.org/0000-0002-1261-1170,  Байройтский університет, м. Байройт, Федеративна Республіка Німеччина, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Є. Ю.Бобров, orcid.org/0009-0008-3251-300X, Криворізький національний університет, м. Кривий Ріг, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Я. O. Грищенко*, orcid.org/0009-0002-0582-4140, Східноукраїнський національний університет імені Володимира Даля, м. Київ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2026, (2): 013 - 021

https://doi.org/10.33271/nvngu/2026-2/013

Abstract:

Мета. Підвищення якості й ефективності керування процесом буріння свердловин шляхом застосування стратегії модельно-прогнозуючого керування (МРС).

Методика. У роботі використані такі методи: аналіз наукових і практичних рішень; методи аналітичного синтезу; методи комп’ютерного моделювання для синтезу й аналізу математичних моделей; статистичні методи для оброблення результатів експериментальних досліджень.

Результати. Досліджений метод керування буровою установкою на основі МРС контролера, що передбачає використання в якості регульованих змінних швидкості обертання долота (RPM), навантаження (ваги) на долото (WOB) й тиску в системі очищення свердловин (P). Метою керування є підтримка швидкості проходки свердловин (ROP) на номінальному заданому значенні, що відповідає сформованій оцінці фізико-механічних властивостей гірської породи, що буриться (PMP). У традиційних системах керування пропорційно-інтегрально-диференціальні (ПІД) контролери формують керуючі впливи на основі історичних даних без передбачення стану існуючих систем і не можуть ураховувати обмеження. Використання стратегії MPC дозволяє сформувати багатозмінну систему, що враховує обмеження та включає різноманітні елементи, такі як нелінійні, вищого порядку, взаємопов’язані тощо. MPC використовує фізичну модель для прогнозування майбутніх станів системи, тим самим полегшуючи ухвалення обґрунтованих рішень, що оптимізують поточну й майбутню продуктивність системи.

Наукова новизна. Удосконалена автоматизована система керування буровою установкою шляхом використання в її структурі двох рівнів. Нижній рівень представлений замкнутими контурами пропорційно-інтегрально-диференціального регулювання навантаження на долото, швидкості його обертання й тиску в системі очищення свердловини. На верхньому рівні використовується модельно-прогнозуюче керування для динамічного корегування заданих значень зазначених регульованих змінних, величина яких визначається оперативними оцінками характеристик мінералого-технологічних різновидів руди.

Практична значимість. Наведена в роботі технологія апробована й може бути рекомендована для підвищення ефективності бурових робіт у залізорудному кар’єрі. Використання запропонованого підходу до формування системи модельно-прогнозуючого керування технологічним процесом буріння свердловин дозволяє підвищити якість керування, зменшити час перехідних процесів, збільшити швидкість проходки та знизити енергоспоживання.

Ключові слова: керування, керуючі впливи, моделювання

References.

1. World Economic Forum (2017). Digital Transformation Initiative. Mining and Metals Industry. 2017. Retrieved from http://reports.weforum.org/digital-transformation/wp-content/blogs.dir/94/mp/files/pages/files/wef-dti-mining-and-metals-white-paper.pdf

2. Morkun, V., Morkun, N., & Tron, V. (2017). Automatic control of the ore suspension solid phase parameters using high-energy ultrasound. Radio electronics computer science control, 3, 175-182. https://doi.org/10.15588/1607-3274-2017-3-19

3. Morkun, V., Morkun, N., Tron, V., Hryshchenko, S., Serdyuk, O., & Dotsenko, I. (2019). Basic regularities of assessing ore pulp parameters in gravity settling of solid phase particles based on ultrasonic measurements. Archives of Acoustics, 44(1), 161-167. https://doi.org/10.24425/aoa.2019.126362

4. Veysi, Р., Adeli, M., & Naziri, N. P. (2024). Introduction to PID Controller and Model Predictive Control in Engineering Systems. Preprints. Retrieved from https://www.researchgate.net/publication/379956442

5. Dittmar, R. (2019). Model Predictive Control mit MATLAB und Simulink – Model Predictive Control with MATLAB and Simulink. https://doi.org/10.5772/intechopen.86001. ISBN978-1-83880-096-3

6. Azaryan, A. A., Batareyev, O. S., Karamanits, F. I., Kolosov,V. O., & Morkun, V. S. (2018). Ways to reduce ore losses and dilution in iron ore underground mining in kryvbass. Science and innovation, 14(4), 17-24. https://doi.org/10.15407/scine14.03.017

7. Nascimento, A., Tamas Kutas, D., Elmgerbi, A., Thonhauser, G., & Hugo Mathias, M. (2015). Mathematical Modeling Applied to Drilling Engineering: An Application of Bourgoyne and Young ROP Model to a Presalt Case Study. Mathematical Problems in Engineering, 631290, 9. https://doi.org/10.1155/2015/631290

8. Sauki, A., Megat Khamaruddin, PNF., Irawan, S., Kinif, I., Ridha, S., Ab-dulbari Ali, S., & Mohd Aswade Ali (2021). Development of a modified Bourgoyne and Young model for predicting drilling rate. Journal of Petroleum Science and Engineering, 205, 108994. https://doi.org/10.1016/j.petrol.2021.108994

9. Cui, M., Sun, M., Zhang, J., Kang, K., & Luo, Y. (2014). Maximizing drilling perfor-mance with real-time surveillance system based on parameters opti-mization algorithm. Advances in Petroleum Exploration and Development, 8(1), 15-24. https://doi.org/10.3968/5537

10.      Sharma, A., Al Dushaishi, M., & Nygaard, R. (2021). Fixed bit rotary drilling failure criteria effect on drilling vibration. Conference: 55^th U.S. Rock Mechanics/Geomechanics Symposium, Virtual, June 2021; Related Information: ARMA-2021-2083, OSTI ID:1844942.

11.      Chen, X., Fan, H., Guo, B., Gao, D., Wei, H., & Ye, Z. (2014). Real-Time Prediction and Optimization of Drilling Performance Based on a New Mechanical Specific Energy Model. Arabian Journal for Science and Engineering, 39, 8221-8231. https://doi.org/10.1007/s13369-014-1376-0

12.      Yong-Xing, S., Li-Hua, Q., Hai-Fang, S., Lie-Xiang, H., & Guo, Z. (2016). Real-time Surveillance System of Mechanical Specific Energy Applied in Drilling Parameters Optimization. Conference: 2 ^nd Annual International Conference on Advanced Material Engineering (AME 2016). https://doi.org/10.2991/ame-16.2016.128

13.      Aldred, W., Bourque, J., Mannering, M., & Chapman, C. (2012). Drilling Automation. Oilfield Review, 24(2). Retrieved from https://www.researchgate.net/publication/248391350

14.      Zang, C., Lu, Z., Ye, S., Xu, X., Xi, C., Song, X., Guo, Y., & Pan, T. (2022). Drilling Parameters Optimization for Horizontal Wells Based on a Multiobjec-tive Genetic Algorithm to Improve the Rate of Penetration and Reduce Drill String Drag. Applied Sciences, 12(22),11704. https://doi.org/10.3390/app122211704

15.      Chen, X., Gao, D., Guo, B., & Feng, Y. (2016). Real-time optimization of drilling parameters based on mechanical specific energy for rotating drilling with positive displacement motor in the hard formation. Journal of Natural Gas Science and Engineering, 35, 686-694. https://doi.org/10.1016/j.jngse.2016.09.019

16.      Khaksar Manshad, A., Aghayari, M., Sabir Mahmood, B., Tabaeh Hayavi, M., H. Mohammadi, A., & A. Ali, J. (2021). Stability analysis and trajectory optimization of vertical and deviated boreholes using the extended-Mogi-Coulomb criterion and poly-axial test data. Upstream Oil and Gas Technology, 7, 00052. https://doi.org/10.1016/j.upstre.2021.100052

17.      Hankins, D., Salehi, S., & Fatemeh, K. (2015). An integrated approach for drilling optimization using advanced drilling optimizer. Journal of Petroleum Engineering, 1-12. https://doi.org/10.1155/2015/281276

18.      Hegde, C., Daigle, H., & Gray, K.E. (2018). Performance comparison of algorithms for real-time rate-of-penetration optimization in drilling using data-driven models. SPE Journal, 23(05), 1706-1722. https://doi.org/10.2118/191141-PA

19.      Gray, K. E., & Hegde, C. (2017). Use of machine learning and data analytic to increase drilling efficiency for nearby wells. Journal of Natural Gas Science and Engineering, 40(04). https://doi.org/10.1016/j.jngse.2017.02.019

20.      Abughaban, M., Alshaarawi, A., & Meng, C. (2019). Optimization of drilling performance based on an intelligent drilling advisory system. Proceedings of the International Petroleum Technology Conference, Beijing, China, 26–28 March 2019. https://doi.org/10.2523/IPTC-19269-MS

21.      Payette, G. S., Spivey, B. J., Wang, L., & Bailey, J. R. (2017). Real-time well-site based surveillance and optimization platform for drilling: Technology, basic workflows and field results. Proceedings of the SPE/IADC Drilling Conference and Exhibition, The Hague, The Netherlands, 14–16 March 2017. https://doi.org/10.2118/184615-MS

22.      Gidh, Y., Purwanto, A., & Bits, S. (2012). Artificial Neural Network Drilling Parame-ter Optimization System Improves ROP by Predicting/Managing Bit Wear. Proceedings of the SPE Intelligent Energy International, Utrecht, The Netherlands, 27–29 March 2012. https://doi.org/10.2118/149801-MS

23.      Guria, C., Goli, K.K., & Pathak, A.K. (2014). Multi-objective optimization of oil well drilling using elitist non-dominated sorting genetic algorithm. Petroleum Science, 11, 97-110. https://doi.org/10.1007/s12182-014-0321-x

24.      Ammar, A., Mahmoud, A., & Beshir, M. (2021). Hybrid data driven drilling and rate of penetration optimization. Journal of Petroleum Science and Engineering, 200, 108075. https://doi.org/10.1016/j.petrol.2020.108075

25.      Model Predictive Control Toolbox. Design and simulate model predictive controllers. Retrieved from https://se.mathworks.com/products/model-predictive-control.html

26.      Pfeiffer, B-M., Grieb, H., Lorenz, O., & Losert, D. (2014). Applications of DCS embedded Model Predictive Control. atp magazine, 56(03), 28-37. https://doi.org/10.17560/atp.v56i03.2237

27.      Ordys, A.W., Pike, A.W., Johnson, M.A., Katebi, R.M., & Grimble, M.J. (2012). Modelling і Simulation of Power Generation Plants. Advances in Industrial Control. Springer Science & Business Media. ISBN 1447121147; 9781447121145.

28. Controller State Estimation. Retrieved from https://se.mathworks.com/help/mpc/ug/controller-state-estimation.html

• < Попередня
• Наступна >