احسان برنجکار - دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران

تخمین نرخ نفوذ (ROP)، یکی از اقدامات اولیه و بسیار مهم به منظور بهینه سازی عملیات حفاری و مدیریت چاه های آینده است. به دلیل پیچیدگی میان متغیرهای تاثیرگذار بر نرخ نفوذ، تخمین دقیق این فاکتور کلیدی به وسیله مدل های ریاضی مرسوم امکان پذیر نیست. هدف از این مطالعه، استفاده از دو روش شبکه های عصبی پایه شعاعی بهینه شده با الگوریتم ازدحام ذرات (PSO-RBFNN) و ماشین یادگیری افراطی (ELM)، برای تخمین نرخ نفوذ است. RBFNN، یکی از روش های مدل سازی در تخمین توابع غیرخطی به شمار می رود، که به دلیل داشتن تنها یک لایه پنهان، محاسبات و پیچیدگی بسیار کمتری دارد. در حالی که، روش ELM یک روش تعمیم یافته از شبکه های عصبی پرسپترون چند لایه (MLP) است که با ایجاد تغییراتی در ساختار و محاسبات لایه پنهان، سرعت و دقتی بالاتر را برای تقریب فراهم آورده است. در این پژوهش، از داده های واحد نمودارگیری گل (MLU) جمع آوری شده از یک چاه حفاری شده واقع در میدان نفتی رگ سفید در جنوب غربی ایران استفاده شده است. این داده ها شامل نه متغیر مستقل (پارامترهای عملیات حفاری) و یک متغیر وابسته (نرخ نفوذ) می باشد که پس از کنترل نویز و حذف نقاط دور افتاده، به عنوان ورودی مدل ها استفاده شدند. دقت تقریب مدل های توسعه داده شده، به وسیله معیارهای آماری مختلفی با یکدیگر مقایسه شدند که شامل ضریب تعیین ))، ضریب رگرسیون(R)، خطای میانگین مربعات (MSE)، خطای جذر میانگین مربعات (RMSE) و میانگین مطلق خطا (MAE) است. بر اساس نتایج این مطالعه، نشان داده شد که هر دو مدل، تخمین مناسبی را از نرخ نفوذ ارائه می کنند. با این حال ثابت شد که مدل ELM، الگوی میان داده های ورودی را بهتر تشخیص داه و می تواند به عنوان یک مدل کارآمد برای تخمین نرخ نفوذ استفاده شود. همچنین ثابت شد که کنترل نویز داده ها یک اقدام موثر و ضروری قبل از فرآیند مدل سازی است.

نرخ نفوذ, شبکه های عصبی پایه شعاعی, ماشین یادگیری افراطی, بهینه سازی حفاری, مدل سازی, الگوریتم بهینه سازی ازدحام ذرات