مقایسه روشهای فیزیک محور، یادگیری ماشین و یادگیری عمیق جهت پیشبینی نرخ نفوذ مته حفاری در چاه های نفت
عنوان مقاله: مقایسه روشهای فیزیک محور، یادگیری ماشین و یادگیری عمیق جهت پیشبینی نرخ نفوذ مته حفاری در چاه های نفت
شناسه ملی مقاله: CONFSKU01_050
منتشر شده در کنفرانس ملی آخرین دستاوردهای مهندسی داده و دانش و محاسبات نرم در سال 1400
شناسه ملی مقاله: CONFSKU01_050
منتشر شده در کنفرانس ملی آخرین دستاوردهای مهندسی داده و دانش و محاسبات نرم در سال 1400
مشخصات نویسندگان مقاله:
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
خلاصه مقاله:
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
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.
کلمات کلیدی: نرخ نفوذ مته حفاری، شبکه های عصبی مصنوعی، یادگیری ماشین، یادگیری عمیق، شبکه های عصبی کاهشی، الگوریتم ازدحام ذرات
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1307706/