Predictive model for drilling phase duration of oil & gas wells

The drilling of an oil or gas well is a very expensive job. Hence, it is not surprising that mistakes and accidents during drilling incur a high cost. Accidents could result in the loss of expensive equipment and subsequent delays setting back the operation for days or weeks and thus running up large bills on rig-time and personnel hours. Some types of accidents also pose a risk to the personnel or the environment such as the loss of fluids or the necessity to leave equipment down the hole. This thesis is about a machine learning approach to reduction of non-productive times through the prevention of faults during the drilling of Oil \& Gas wells. Drilling procedure is composed by several phases, which are separated one another by casing placement. Each phase is divisible in activities, such as "Drilling", "Cleaning the well wall" and others. We analyze the development from scratch of a machine learning model aimed to measure the time to finish the current phase, starting from the idea that a strong increment of predicted time could be correlated to risk factors and accordingly used to prevent faults. The prediction of completion time could be modeled as a policy evaluation problem. Given that both policy and transition model are not provided, we must use reinforcement learning techniques that allow us to estimate times from collected data.

La perforazione di un pozzo di petrolio o gas è un lavoro molto costoso. Non sorprende che gli errori e gli incidenti durante la perforazione comportino un costo elevato. Gli incidenti potrebbero comportare la perdita di attrezzature costose e successivi ritardi che possono rallentare l'operazione per giorni o settimane e quindi far fronte a spese di grandi dimensioni in termini di ore di lavoro e di personale. Alcuni tipi di incidenti rappresentano anche un rischio per il personale o l'ambiente, come la perdita di liquidi o la necessità di lasciare in loco, e quindi perdere, l'attrezzatura necessaria alla perforazione. Questa tesi riguarda un approccio di apprendimento automatico alla riduzione dei tempi non produttivi attraverso la prevenzione di guasti durante la perforazione di pozzi di petrolio e gas. La procedura di foratura è composta da diverse fasi, separate una dall'altra per mezzo del posizionamento dell'involucro protettivo delle pareti del pozzo. Ogni fase è divisibile in attività, come "Perforazione", "Pulizia delle pareti del pozzo" e altre. Analizziamo lo sviluppo partendo da zero di un modello di machine learning volto a misurare il tempo necessario per terminare la fase attuale, partendo dall'idea che un forte incremento del tempo previsto potrebbe essere correlato ai fattori di rischio e di conseguenza utilizzato per prevenire i guasti. La predizione del tempo di completamento potrebbe essere modellata come un problema di policy evaluation. Dato che non vengono fornite sia la policy che il modello di transizione, dobbiamo utilizzare tecniche di apprendimento di rinforzo che ci consentano di stimare i tempi dai dati raccolti.