Stuck pipe refers to the accidental phenomenon whereby drilling tools are stuck in a well during the drilling process and cannot move freely due to various reasons. As a result, the stuck pipe can consume a lot of manpower and material resources. With the development of artificial intelligence, the intelligent prediction and identification of stuck pipe risk has gradually advanced. However, there are usually only a few stuck samples, so the intelligent model is not sufficient to excavate the stuck feature law, and then the model overfitting phenomenon occurs. Regarding the above issue, this paper proposed a limited incident dataset method based on data augmentation. Firstly, in terms of data processing, by applying percentage scaling and random dithering to the original data and combining it with GAN to generate new data, the training dataset was effectively extended, solving the problem of insufficient sample size. Then, in the selection and training of the intelligent model, an LSTM neural network model with an attention mechanism (ATT-LSTM) is introduced. By applying the attention mechanism in each time step, the model can dynamically adjust the degree of attention to different parts of the sequence and better capture the key information in the data, which improve the accuracy of the recognition and the generalization ability of the model. By testing the trained model on field data, the test results show that the method achieves more significant performance improvement on the stuck pipe recognition task, and the prediction accuracy of the intelligent model increases by 21.31% after data enhancement.

Lost circulation, a common risk during the drilling process, significantly impacts drilling safety and efficiency. The presence of data noise and temporal evolution characteristics pose significant challenges to the accurate monitoring of lost circulation. Traditional supervised intelligent monitoring methods rely on large amounts of labeled data, which often do not consider temporal fluctuations in data, leading to insufficient accuracy and transferability. To address these issues, this paper proposes an unsupervised time series autoencoder (BiLSTM-AE) intelligent monitoring model for lost circulation, aiming to overcome the limitations of supervised algorithms. The BiLSTM-AE model employs BiLSTM for both the encoder and decoder, enabling it to comprehensively capture the temporal features and dynamic changes in the data. It learns the patterns of normal data sequences, thereby automatically identifying anomalous risk data points that deviate from the normal patterns during testing. Results show that the proposed model can efficiently identify and monitor lost circulation risks, achieving an accuracy of 92.51%, a missed alarm rate of 6.87%, and a false alarm rate of 7.71% on the test set. Compared to other models, the BiLSTM-AE model has higher accuracy and better timeliness, which is of great significance for improving drilling efficiency and ensuring drilling safety.

Accurate evaluation of coalbed methane (CBM) content is crucial for effective exploration and development. Traditional gas content measurement methods based on laboratory analysis of drill core samples are costly, whereas geophysical logging methods offer a cost-effective alternative by providing continuous high-resolution profiles of rock layer physical properties. However, the relationship between CBM content and geophysical logging data is complex and nonlinear, necessitating an advanced prediction method. This study focuses on the No. 3 coal seam in the Shizhuang South Block of the Qinshui Basin, utilizing geophysical logging data and 148 sets of laboratory core samples. We employed the Random Forest (RF) method optimized with a simulated annealing-genetic algorithm (SA-GA) to develop the SA-GA-RF model for evaluating CBM content. The model's performance was validated using test data and new CBM well data, and it was applied to calculate the vertical gas content profiles of No. 3 coal seam across 128 wells. The SA-GA-RF model demonstrated an average relative error of 13.13% in the test data set, outperforming Backpropagation Neural Network (BPNN), Least Squares Support Vector Machine (LSSVM), Extreme Learning Machine (ELM), and multivariate regression (MR) methods. The model also exhibited strong generalizability in new wells and improved model-building efficiency compared to traditional cross-validation grid search methods. The construction of a three-dimensional CBM content model, incorporating well coordinates and elevation data, allowed for detailed identification of high gas content areas and layers. This three-dimensional model offers a more precise characterization than traditional two-dimensional isopleth maps, providing valuable insights for CBM exploration, reserve evaluation, and production optimization.

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.

Abstract Oil and gas drilling is a complex construction process, drilling conditions as the key parameters of the construction process, efficient and accurate identification of drilling conditions is the basis for statistical drilling efficiency and analysis of drilling status. With the continuous development of integrated logging technology and sensor technology, field operators and researchers have access to large amounts of realtime data. The existing methods mainly include logical judgment and manual judgment, which have the problems of insufficient accuracy and low efficiency, respectively. In recent years, more and more scholars have adopted data-driven methods such as machine learning to identify drilling conditions, but pure data-driven models have the problem of high false positive rate. This paper proposes an intelligent identification method for drilling conditions based on a combination of deep learning and drilling experience knowledge. First, abnormal fluctuations in the logging data are removed through an efficient real-time data cleaning process, and then the most critical parameters that characterize the drilling conditions during the drilling process are selected. Three deep learning algorithms, Gate Recurrent Unit (GRU), Long short-term memory (LSTM), and Convolutional Neural Networks (CNN), are used to build the intelligent identification model for drilling conditions and compare them. Then, according to the expert knowledge of drilling condition judgment, the logical constraint is formed, and it is added to the identification process. The final workflow can effectively realize real-time intelligent identification of 10 drilling conditions. The recognition precision and recall rate of various conditions are both above 94%, providing a basis for drilling efficiency analysis and risk prevention.

Abstract Horizontal wells are being widely used with the increase of oil and gas demand and the development of extraction technology. During the drilling process of horizontal wells, cuttings are easily deposited on the bottom of the annulus to form cuttings bed due to the gravity, which may lead to safety accidents, such as, high friction and high torque, and pipe sticking. In recent years, downhole tools have been innovatively proposed to use to improve the hole cleaning efficient. There are many factors that affect the effectiveness of the downhole tools. This paper establish the model of the wall scraper and utilizes a Computational Fluid Dynamics (CFD) to obtain hole cleaning efficiency with different parameters. The simulations were conducted at steady state and the results for maximum cutting concentrations in the annulus were analyzed. The results shows that the flow rate, drillpipe rotation speed, cuttings size, and cuttings concentration have significant impact on cuttings transport. This study could provide theoretical support for the subsequent development and application of downhole tools.

ABSTRACT: Horizontal wells have been frequently used in many oil reservoirs, which has significant advantages in improving oil development efficiency. During horizontal well drilling, the cuttings can easily accumulate in the wellbore to form a cuttings bed at the bottom. The formed cuttings bed would directly increase the contact area so that wellbore friction during drilling is also increased. The increase in friction can cause serious underhole accidents. Hence it is necessary to study the parameters affecting the friction between the drillpipe and cuttings bed. The viscosity of drilling fluid and the rotation speed of drillpipe are important factors affecting the cuttings transport. In this paper, a laboratory experiment was designed to study the effects of fluid viscosity and drillpipe rotation speed on the sliding friction coefficient, then a general correlation model is built according to experimental results. Genetic programming is used here to analyze the effects accurately and optimize the structure and parameters of the model. This new way could greatly improve the model's accuracy and provide guidance for the sliding friction coefficient prediction. 1. INTRODUCTION Horizontal wells have unique advantages in the development of these reservoirs, which is an important technology to improve the development efficiency of shale oil and gas reservoirs. The long horizontal well may greatly increase the exposed area of the reservoir in the wellbore and effectively improve the oil and gas recovery. However, horizontal wells also face some problems, such as cuttings accumulation during drilling, which will lead to out-of-control wellbore trajectory, excessive friction and torque, stuck drilling and wellbore instability. Borehole cleaning is one of the key problems affecting the safety and efficiency of drilling in horizontal wells. The distribution of cuttings bed in horizontal well has great influence on drillpipe friction, drillpipe position and drillpipe buckling. Cuttings bed accumulation is common in horizontal well, especially in inclined and horizontal well section. The cuttings bed accumulation increases the roughness of the contact surface between drillpipe and wellbore, and the friction coefficient between drillpipe and cuttings bed may increase significantly with the extension of the inclined section and horizontal section length. The excessive friction of drillpipe is easy to affect the drilling speed and wellbore trajectory, aggravate the fatigue damage of drill tool, affect the service life of drill tool, increase the probability of complex downhole conditions, and restrict the extension of horizontal section. Therefore, the frictional characteristics between drillpipe and cuttings bed during horizontal well drilling becomes to a key problem.