توسعه ی یک روش جدید به منظور بهینه ساز ی نرخ نفوذ حفاری (ROP)

یکی از روش های بهینه سازی عملکرد حفاری پیش بینی نرخ نفوذ حفاری (ROP) می باشد. با این حال، بیشتر مدل های بهینه سا زیROP اثر ارتعاشات حفاری که یک یک مهار کننده اصلی نرخ نفوذ حفا ری را در نظر نمی گیرند. برای رفع این محدودیت، در این مقالهیک کار جدید معرفی می شود که روند بهینه سا زی نرخ نفوذ حفاری را با یک مدل ارتع اش مبتنی بر یادگیری ماشین ترکیب می کند.این مدل پارامترهای حفاری بهینه را تعیین می کند که نه تنها ROP را افزایش می دهد بلکه ارتعاشات بی ش از حد را کاهش می دهد.مدل های ROP تحلیلی برای مدل سا زی ROP در یک شکل مشخص استفاده می شود. از الگوریتم بهینه سازی (صعود شیب دار باشروع مجدد تصادفی) برای یافتن پارامتره ای کنترل حفاری بهینه، وزن روی مته (WOB) و دور در دقیقه (RPM) استفاده می شود، کهبرای بهبود ROP قبل از بمته لازم است. مدل طبقه بندی ارتعاشات به عنوان محدودیت برابری برای الگوریتم بهینه سازی، برای تعیینمرزهای فضای بهینه سازی استفاده می شود، اطمینان حاصل شود که پارامترهای بهینه انتخاب شده منجر به ارتعاش بیش از حد درهنگام اجرا نمی شوند. این مدل، هنگامی که بر روی داده ه ای میدانی ارزیابی می شود، در مقایسه با داده های اندازه گیری شده، بهبودROP به میزان ۱۴.۱% (۱۰ فوت بر ساعت) را به طور متوسط در کل تشکیلات نشان می دهد. یک مطالعه مور دی برای نشان دادنکاربرد این روش در عمل حفاری مورد بحث قرار گرفته است. این مدل بر ای بهبود ROP و کاهش ارتعاشات روش جدیدی را برای ایجادمدله ای ROP همراه با لرزش معر فی می کند.

Keywords:

, ROP , یادگیری ماشین , حفاری , بهینه سازی , تجزیه و تحلیل داده ها