ارائه مدلی برای پیش بینی نرخ نفوذ حفاری در میدان نفتی شادگان با استفاده از شبکه عصبی مصنوعی
Publish place: Journal of Petroleum Geomechanics، Vol: 5، Issue: 2
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 147
This Paper With 16 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:
JR_IRPGA-5-2_001
تاریخ نمایه سازی: 22 شهریور 1401
Abstract:
امروزه در هر پروژه مباحث هزینه و زمان از اهمیت بالایی برخوردار می باشند، بنابراین در صنعت حفاری نیز که یکی از پرهزینه ترین صنعت ها به شمار می رود، باید اقداماتی مقتضی در خصوص صرفه جویی در زمان و هزینه صورت پذیرد. در عملیات حفاری، با انتخاب صحیح ابزار مورد استفاده و هم چنین پیش بینی دقیق و به موقع پارامترها و مشکلات احتمالی می توان این عملیات را در زمان و هزینه کمتر انجام داد. در این راستا یکی از موثرترین راهکارها تحلیل اطلاعات میدانی و به دنبال آن توسعه و بهبود ابزارهای این تحلیل ها می باشد. در صنعت حفاری برای شناسایی مشکل و بهبود عملکرد حفاری عموما یا از آزمون های آزمایشگاهی و روابط تجربی استفاده می شود و یا از تجربیات گذشته بهره گرفته می شود. در این تحقیق سعی شد از روش های نوین و مدل سازی هوشمند برای پیش بینی نرخ نفوذ در عملیات حفاری استفاده شود که بدین منظور از روش شبکه عصبی مصنوعی استفاده شد. در این مقاله با استفاده از شبکه عصبی مصنوعی و داده های حفاری میدان نفتی شادگان (۴۰۰ داده) و در سازند آغاجاری اقدام به ساخت مدلی جهت پیش بینی نرخ نفوذ حفاری شد و سپس نتایج حاصل با نتایج بدست آمده از مدل سازی با رگرسیون چند متغیره مقایسه شد. برای ارزیابی خصوصیات اصلی مدل بدست آمده و صحت سنجی آن از داده های چاه های مجاور استفاده شد. نتایج تحقیق نشان داد که ضریب همبستگی برای شبکه عصبی ۰.۹۷ و ضریب تعیین آن ۰.۹۴ بدست آمد در حالی که در تحلیل آماری، مقدار ضریب همبستگی ۰.۹۴ و ضریب تعیین برابر با ۰.۸۹ می باشد که این امر دقت بالاتر مدل سازی با شبکه عصبی را نشان می دهد.
Keywords:
Authors
آرش ابراهیم آبادی
گروه مهندسی نفت، معدن و مواد، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :