تخمین نرخ نفوذ حفاری بر اساس خواص مکانیکی سنگ، سیال حفاری و پارامترهای حفاری با استفاده از شبکه عصبی مصنوعی در میدان نفتی مارون

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده شیمی و نفت دانشگاه صنعتی شریف

2 استادیار، دانشگاه آزاد اسلامی واحد تهران مرکز

چکیده

نرخ نفوذ حفاری یکی از مهمترین پارامتر ها در بهینه سازی و کاهش هزینه های عملیات حفاری است. به منظور تخمین نرخ نفوذ حفاری با دقت بسیار بالا، در این پژوهش از روش های متداول هوش مصنوعی استفاده شده است. . 8 پارامتر ورودی شامل وزن روی مته، سرعت چرخش مته، فشار پمپ، وزن مخصوص سیال، ویسکوزیته پلاستیک سیال، نقطه تسلیم سیال، حجم شیل، تخلخل، مقاومت فشارشی تک محوره، مدول یانگ و چقرمگی به عنوان موثرترین پارامتر ها ی ورودی بر تخمین نرخ نفوذ حفاری انتخاب شده اند. با استفاده از این پارامتر ها، دو مدل شبکه عصبی مصنوعی MLP-BP و MLP-PSO به منظور تخمین نرخ نفوذ حفاری توسعه یافته اند و عملکرد آنها با یکدیگر مقایسه شده است. بررسی ها نشان می دهد که مدل شبکه عصبی مصنوعی آموزش داده شده با استفاده از الگوریتم تجمع ذرات PSO عملکرد بسیار بالاتری نسبت به مدل دیگر در تخمین نرخ نفوذ حفاری دارد که بیانگر قدرت این الگوریتم در بهینه سازی پارامتر های شبکه عصبی مصنوعی است. در ادامه عملکرد این مدل شبکه عصبی مصنوعی با مدل های تجربی متداول در تخمین نرخ نفوذ حفاری مقایسه شده است که نتایج نشان می دهد عملکرد شبکه عصبی مصنوعی در تخمین داده های واقعی حفاری نسبت به مدل های تجربی متداول بسیار بهتر است. مدل های تجربی علاوه بر نیاز به زمان بیشتر برای محاسبه پارامتر های تجربی آنها، دقت بسیار پایین تری نیز در تخمین نرخ نفوذ حفاری دارند.

کلیدواژه‌ها