ارائه یک مدل جدید به منظور پیش بینی نرخ نفوذ حفاری با استفاده از داده های پتروفیزیکی و گل حفاری

پیش بینی نرخ نفوذ حفاری (ROP) یکی از روش های بهینه سازی عملکرد حفاری است. با این حال، از آنجا که رفتار ROP در شرایطخاص زمین شناسی منحصر به فرد است، کاربرد آن ساده نیست. علاوه بر این، ROP معمولا تحت تاثیر عوامل مختلف عملیاتی (به عنوانمثال نوع مته حفاری، وزن مته حفاری، سرعت چرخش و غیره) و همچنین مشخصات زمین شناختی سنگ های نفوذ یافته قرار می گیرد.این امر پیش بینی ROP را به مسئله ای پیچیده و چن دوجهی تبدیل می کند. در اینجا ما روش های داده کاوی را با الگوریتم هیبریدییادگیری ماشین تا صحت و اثربخشی آنها را در پیش بینی ROP ارزیابی کنیم. الگوریتم های در نظر گرفته شده عبارتند از: یکپرسپترون چند لایه (MLP) با استفاده از الگوریتم بهینه سازی ازدحام ذرات (PSO) و یک ترکیب (MLP-PSO) آموزش دیده است.داده های ورودی شامل وزن بر روی مته حفاری، سرعت چرخش مته حفاری، نرخ جریان پمپ ، فشار پمپ ، فشار منافذ، اشعه گاما، ثبتچگالی و سرعت موج صوتی هستند که با استفاده از سیستم . مدل MLP-PSO به عنوان یک شبکه ترکیبی به منظور پیش بینی ROPارزیابی شده، دقت و اثربخشی قابل قبولی را دارد.

Keywords:

نرخ نفوذ حفار ی , داده کاو ی , پیش بینی هوش مصنوعی , رتبه بندی انتخاب ویژگی