الناز فرهمندی - کارشناسی مهندسی نفت، اصفهان، شهرضا، دانشگاه آزاد اسلامی واحد شهرضا، دانشکده مهندسی نفت

فشار منفذی یکی از ویژگیهای اصلی سازند است که بر کارایی عملیات حفاری و هزینه های آن تاثیر مستقیم میگذارد. پیش بینی دقیق فشار منفذی و پارامترهای کنترل آن به کاهش هزینه حفاری و جلوگیری از حوادث فاجعه بار کمک شایانی میکند. بسیاری از مدلهای تجربی گزارششده در ادبیات پیشین برای پیش بینی فشار منفذی بر اساس پارامترهای حفاری یا داده های ورودی به سیستم استفاده شدهاند. مدلهای تجربی برای پیشبینی فشار منفذی به روندهایی مانند فشار طبیعی یا غیرطبیعی نیاز دارند. تعداد کمی از محققان از تکنیکهای هوش مصنوعی (AI) برای پیشبینی فشار منفذی با استفاده از یک یا حداکثر دو روش هوش مصنوعی (که جعبه سیاه هستند) استفاده کردند. هیچ رابطه تجربی توسعه یافته ای برای پیشبینی فشار منفذی بر اساس تکنیکهای هوش مصنوعی بهینه وجود ندارد. هدف این مقاله پیش بینی فشار منفذی بر اساس پارامترهای حفاری و داده های ورود به سیستم ، یعنی وزن روی مته (WOB)، سرعت چرخشی (RPM)، سرعت نفوذ (ROP)، وزن گل (MW )، دانسیته سنگ ( (RHOB، تخلخل (φ) و زمان فشاری .( t) داده های میدان واقعی برای پیشبینی فشار منفذی با استفاده از شبکه عصبی مصنوعی (ANN ) استفاده میشود. سرانجام، برای اولین بار، یک همبستگی تجربی جدید برای پیش بینی فشار منفذی بر اساس مدل ANN بهینه توسعه داده میشود. نتایج بدست آمده نشان داد که ترکیب پارامترهای حفاری و داده های ورود به سیستم برای پیش بینی فشار منفذی با دقت بالا بسیار مهم است. یک همبستگی تجربی جدید با استفاده از روش ANN بهینهسازی شده است که میتواند فشار منفذی را با دقت بالا برآورد کند (ضریب همبستگی ۰,۹۹۸ و متوسط درصد خطای مطلق .( ۰,۱۷ برخلاف مدلهای تجربی منتشرشده، مدل جدید برای انجام پیشبینی نیاز به هیچگونه فشار قبلی (مانند فشارهای عادی یا غیرعادی) ندارد.

فشار منفذ، شبکه عصبی مصنوعی، پارامترهای حفاری، همبستگی تجربی