A novel enhanced geothermal system with multilateral wells is proposed to extract heat from hot dry rock in this study. For this EGS, one main wellbore is drilled to hot dry rock. Several injection and production multilateral wells are side-tracked from the main wellbore in upper and lower formation, respectively. An insulated tubing is installed in the main wellbore. The working fluid is injected from the annulus and injection wells and then extracts heat from the hot dry rock reservoir. Subsequently, the working fluid is produced from production wells and returns to surface through the insulated tubing. In this study, an unsteady-state fluid flow and heat transfer 3D model is presented to investigate the heat extraction performance of the multilateral-well EGS. The model is verified by a known analytical solution. The temperature and velocity fields of the multilateral-well EGS are analyzed and heat extraction performances of four various well types are compared. The results indicate that the output thermal power, production temperature, heat extraction ratio and accumulative thermal energy of the multilateral-well EGS are higher than those of conventional double vertical wells EGS. This study provides a better alternative for EGS to obtain greater heat extraction performance.

Injecting CO2 into depleted gas reservoirs can sequester greenhouse gases and simultaneously enhancing gas recovery, which has significant environmental and economic benefits. Natural gas resources in tight sandstone reservoirs are huge, but the gas production decreases rapidly and the gas recovery is low due to poor reservoir properties. When these gas reservoirs are depleted, the implementation of CO2 flooding has greater potential to improve gas production and store CO2. However, the production characteristics of the CO2 flooding process and application potential in tight gas reservoirs at the field scale are not yet clear. To fully understand the production mechanism of the CO2 flooding and evaluate the technical feasibility, based on the geological data of the Sulige gas field in the Ordos Basin, a 3D numerical simulation model under the five-point well pattern is established. The production behavior of enhanced gas recovery and CO2 storage processes is studied through numerical simulation approach. Results indicate that the CH4 production rate is significantly increased after CO2 flooding, and the gas recovery can be increased by up to 19.2%, confirming the feasibility of CO2 injection to enhance CH4 production in depleted tight gas reservoirs. Once the CO2 breakthrough occurs, the CH4 production rate decreases rapidly, and the CO2 distribution is only slightly affected by the gravity difference of the components. These characteristics are significantly different from those of high-permeability gas reservoirs. The CO2 front in the early stage is proportional to the square root or cube root of time, depending on the perforation location and reservoir thickness. However, the CO2 front in the late flood stage shows a linear relationship with the square of time. It is recommended that injection well and production wells are completely perforated because the enhanced gas recovery is higher than other perforation options and excessive bottom-hole pressure in the injection well can be avoided. The new findings of this work can provide some insights into the production mechanism of CO2 storage and enhanced recovery in tight gas reservoirs, which is beneficial for reducing investment risks and improving production efficiency for future large-scale field applications.

Abstract Lost circulation is one of the most common issues affecting drilling safety, known for its sudden occurrence. Traditional expert diagnosis methods heavily rely on expert experience, exhibiting a high degree of subjectivity and lag. Conventional machine learning approaches struggle to fully capture the spatial and temporal variations within the multidimensional data of lost circulation, leading to insufficient accuracy. To address the challenge, this paper proposes an early intelligent monitoring hybrid model for lost circulation by concatenating Convolutional Neural Network (CNN) and Long Short-Term Memory Neural Network (LSTM). Initially, sliding window method is employed to structure historical data of lost circulation into time series samples. Subsequently, these time series samples are input into one-dimensional CNN network to extract spatial feature vectors. Following this, the extracted feature vectors are input into LSTM network to uncover temporal feature information. Finally, the Softmax function is applied at the network’s output layer for classification. The proposed model is tested on real dataset of lost circulation. The results show that the performance of this hybrid model is superior to traditional machine learning models, with accuracy of 94%, missed alarm rate of 4%, and false alarm rate of 8% on the test set. Compared with expert diagnosis, hybrid model can detect lost circulation risk earlier and significantly improve monitoring timeliness. This study is of great significance for ensuring drilling safety and improving drilling efficiency.

As oil and gas exploration and development gradually advance into deeper and offshore fields, the geological environment and formation pressure conditions become increasingly complex, leading to a higher risk of drilling incidents such as kicks. Timely diagnosis of kick risk is crucial for ensuring safety and efficiency. This study proposes a kick risk diagnosis method based on ensemble learning models, which integrates various time-series analysis algorithms to construct and optimize multiple kick diagnosis models, accurately fitting the relationship between integrated logging parameters and kick events. By incorporating high-performance ensemble models such as Stacking and Bagging, the accuracy and F1 score of the models were significantly improved. Furthermore, the application of the Synthetic Minority Over-sampling Technique and Tomek Links (SMOTE-Tomek) data balancing technique effectively addressed the issue of data imbalance, contributing to a more robust and balanced model performance. The results demonstrate that integrating time-series analysis with ensemble learning methods significantly enhances the predictive reliability and stability of kick monitoring models. This approach provides a dependable solution for addressing complex kick monitoring tasks in offshore and deepwater drilling operations, ensuring greater safety and efficiency. The findings offer valuable insights that can guide future research and practical implementation in kick risk diagnosis.

Abstract Displacement of residual fluid at the corners of washout is a problem during primary cementation. This is due to the nature of flow which will form favor flowing path in the displacement. In this paper, we propose a pulse displacement method in which injecting velocity changes with time according to specific functions. The purpose is to break the prior flowing path and increase the performance of displacement. Firstly, we investigate the difference between pulse displacement and constant velocity cementing. Then, we illustrate the influences of velocity function and washout geometry on pulse displacement performance. Results show that pulse displacement is of advantage in primary cementing of washout. Generally, pulse displacement induces strong and stable circular flow near the entrance of washout assisting sweeping displaced fluid. This circular flow becomes negligible when travels around 20 cm from the washout inlet when average velocity (vo) is 1 m/s in this paper. However, the performance is similar for both pulse displacement and constant cementing at location far from the entrance. Furtherly, the parametric analysis shows that the displacement efficiency (DE) reduces with rising of average velocity and there is optimal value of velocity frequency (f) and amplitude (a) to have the best displacing performance. Also, combination with high value of f, vo and a is benefit, but this will induce strong pressure vibration which may lead to downhole problem. Elongation of washout is of advantage for the displacement, but the enlargement of washout diameter has negative effect.

Abstract With the continuous development of petroleum exploration and production technology and the increasing complexity of geological conditions, the problem of narrow-margin safe drilling has become a major challenge in the field of petroleum exploration and development. Kick is also one of the high-frequency, high-hazard accidents in drilling. To reduce drilling costs and improve drilling safety, it is crucial to accurately monitor kicks and prevent their further development. A method for monitoring kick, based on the variation of logging parameters, currently exists. However, it does not take into account the impact of abnormal conditions such as pump stoppages on the outlet flow rate and the total volume of drilling fluid in the tank, which can lead to false alarms. In order to improve the accuracy of risk identification and reduce the false alarm rate, a kick monitoring method is proposed that combines drilling conditions with an unsupervised Bidirectional Long Short-Term Memory Autoencoder (BiLSTM-AE). This model simultaneously considers past and future information through forward and backward propagation, effectively extracting temporal features from sequences using bidirectional information. The proposed method was tested using kick monitoring data from 3 wells. The experimental results indicate that the recognition accuracy of the kick intelligent monitoring model based on BiLSTM-AE is 88.85%, surpassing other existing intelligent monitoring models. When combined with abnormal conditions such as pump stoppages, the model’s false alarm rate is reduced by 9.33%. This research can provide a theoretical foundation and important technical reference for accurate kick risk monitoring, especially in conditions where kick risk data labels are lacking. Moreover, it holds significant potential for practical field applications.