مقایسه روشهای فیزیک محور، یادگیری ماشین و یادگیری عمیق جهت پیشبینی نرخ نفوذ مته حفاری در چاه های نفت
Publish place: National Conference on the Latest Achievements in Data Engineering and Soft Knowledge and Computing
Publish Year: 1400
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 323
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CONFSKU01_050
تاریخ نمایه سازی: 17 آبان 1400
Abstract:
هدف پژوهش ارائه یک روش مناسب جهت پیش بینی نرخ نفوذ مته حفاری در چاه های نفتی، به منظور شناخت ارتباط بین سرعت حفاری و پارامترهای موثر بر روی آن است. در صنعت نفت، کاهش زمان حفاری یکی از چالش ها جهت کاهش هزینه ها می باشد. بدین منظور، یافتن مناسب ارتباط میان سرعت حفاری و پارامترهای تاثیرگذار امری لازم می باشد. تاکنون، روش های زیادی برای استخراج این ارتباط ارائه شده، که شامل روش های تحلیلی-ریاضی یا فیزیک محور، آماری و هوشمند می باشد. در این پژوهش، سیستم های هوشمند و فیزیک محور به عنوان روش های مدل سازی، پارامترهای حفاری و پتروفیزیکی به عنوان ورودی روش ها و نرخ نفوذ مته حفاری به عنوان هدف قرار می گیرند. بدین منظور، ابتدا داده های یک چاه قائم را جمع آوری کرده و پس از انجام پیش پردازش لازم، از این داده ها برای آموزش سیستم های هوشمند و فیزیک محور استفاده می شود. سپس با استفاده از داده های یک چاه دیگر، دقت این سیستم ها ارزیابی شده و در نهایت دقت آنها را مقایسه می کنیم. معیار اندازه گیری دقت در بعضی از این سیستم های هوشمند به ۹۹ درصد نیز می رسد.
Keywords:
نرخ نفوذ مته حفاری , شبکه های عصبی مصنوعی , یادگیری ماشین , یادگیری عمیق , شبکه های عصبی کاهشی , الگوریتم ازدحام ذرات
Authors
محمدحسن شریفی نسب
کارشناسی ارشد مهندسی نفت، انستیتو مهندسی نفت، دانشکده فنی، دانشگاه تهران، تهران
محمد امامی نیری
عضو هیئت علمی، انستیتو مهندسی نفت، دانشکده فنی، دانشگاه تهران، تهران