بهینه سازی سرعت مته حفاری در چاه های نفت و گاز با استفاده از شبکه عصبی و منطق فازی (مطالعه موردی)

تخمین میزان نرخ نفوذ مته (ROP) یک عامل مهم در بهینه سازی حفاری چاه ها به دلیل نقش اساسی در به حداقل رساندن هزینه هایعملیات حفاری می باشد. با این حال، بسیاری از عوامل پیش بینی نشده بر ROP اثر می گذارند و آن را یک فرآیند پیچیده و در نتیجهپیش بینی را دشوارتر می کند. در این مقاله قصد بر آن است کاربرد روش های شبکه عصبی مصنوعی (ANN) و منطق فازی برای برآوردROP در بین پارامترهای حفا ری به دست آمده از یکی از میادین نفتی جنوب ایران را با توجه به واقعیت مفی د بودن این روش در هنگامحضور روابط پارامتره ای خیلی پیچیده، مورد بررسی قرار گیرد.در ایران عموما از دادههای نمودارگیری گل حفاری جهت کمک به تهیه نمودار ترسیمی زمین شناسی چاه و ثبت متغیرهای حفاری باهدف حفاری ایمن و بهینه استفاده میگردد. به عبارتی این داده ها چشم حفار، کمپانی من و زمین شناس سرچاه بوده و اخطارها واطلاعات لازم را جهت رصد حفاری در اختیار آنها می گذارد (مانند ثبت لحظه ای درصد H۲S گل حفاری، سختی سازند و افزایش یاکاهش حجم گل موجود در ستون چاه). در این مقاله تلاش شده علاوه بر معرفی کاربردهای مهم و شناخته شده این داده ها و ارزشفراوان این اطلاعات در ارزیابی بهتر سنگ مخزن، روشی نوین برای آن معرفی گردد. شبکه عصبی در کاهش هزینه های حفاری و تکمیلچاه تاثیر بسزایی دارد که در این مطالعه به طور متمرکز بر روی نرخ نفوذ مته (ROP) و وزن روی مته نسبت به عمق مدنظر مورد مطالعهقرار گرفته شده است.

Keywords:

شبکه عصبی , منطق فازی , نرخ نفوذ مته , بهینه سازی , وزن روی مته و حفاری چاه های نفت و گاز