رحمان میری
محمود افشار
جورج سامپایو

پیچیدگی چاهها در سالهای گذشته به طور قابل توجهی افزایش یافته است . چاههای با زاویه حفر با لا،چاههای با حفاری چند جانبه، چاههای افقی و چاههای بازگذشتی معمول هستند . به هر حال ممکن است رشته حفاری توسط فشارهای دیفرانسیلی به دیواره چاه گیر کند و نیازمند نیرو و مهارت برای آزاد سازی آن می باشد . هنگامی که این موفقیت آمیز نباشد بعضی مواقع تنها راه حل م سدود کردن قسمت گیر و حفر یک مسیر فرعی در اطراف آن، تغییر برنامه حفاری به طور کامل و افزودن میلیونها دلار به هزینه چاه می باشد . این بخصوص در عملیاتهای دریایی جایی که گیر لوله ها به تنهایی می تواند هزینه توسعه یک چاه را به اندازه % 30 افزایش دهد هزینه بر است . پدیده گیر رشته حفاری به صورت دیفرانسیلی(Differential Pipe Sticking تحت تاثیر خواص سیال حفاری و عوامل دیگری از جمله خواص سنگ سازند های زمین شناسی می باشد . اخیرا کاربردی از شبکه های عصبیمصنوعیArtificial Neural Networks برای پیش بینی گیر لوله ها به صورت دیفرانسیلی در خلیج مکزیک توسط هالیبرتون چاب شده است . این مقاله دو نوع مختلف شبکه عصب ی پرسپترون چند لایهMulti Layer Perceptronو تابع پایه شعاعیRadial Basis Functionو آموزش این شبکهها بر اساس روش توزیع معکوس خطا(Back Propagation Algorithmرا برای پیش بینی و کاهش گیر رشته حفاری به صورت دیفرانسیلی هنگام حفاری با گل های پلیمری و پایه روغنی در قسمت مخزنی میادین دریایی خلیج فارس بیان می کند . روش ارایه شده می تواند به صورت یک نیاز برای طراحی بهینه سیال حفاری جهت حفاری و توسعه چاههای نفتی در میادین دریایی خلیج فارس باشد.

گیر دیفرانسیلی لوله ، شبکه عصبی مصنوعی