پریرخ ابراهیمی همتعلی کیخا - دانشجوی مقطع کارشناسی ارشد مهندسی نفت، دانشکده مهندسی نفت، گاز و پتروشیمی، دانشگاه خلیج فارس
محمد رسول دهقانی - دانشجوی مقطع کارشناسی ارشد مهندسی نفت، دانشکده مهندسی نفت، گاز و پتروشیمی، دانشگاه خلیج فارس
معین کافی - دانشجوی مقطع کارشناسی ارشد مهندسی نفت، دانشکده مهندسی نفت، گاز و پتروشیمی، دانشگاه خلیج فارس
فاطمه محمدی نیا - دانشجوی مقطع کارشناسی مهندسی نفت، دانشکده مهندسی نفت، گاز و پتروشیمی، دانشگاه خلیج فارس
علی رنجبر - دانشجوی مقطع کارشناسی ارشد مهندسی نفت، دانشکده مهندسی نفت، گاز و پتروشیمی، دانشگاه خلیج فارس

یکی از پارامترهای قابل کنترل جهت جلوگیری از ناپایداری چاه وزن گل حفاری می باشد. از این رو برای محاسبه اینمهم, به طور معمول از ساخت مدل زمین مکانیکی یک بعدی توسط داده های بدست آمده از نگارهای چاه پیماییاستفاده می شود. این درحالی است که استفاده از گزارش روزانه بدست آمده در طی عملیات حفاری نسبت به داده هایبدست آمده از چاه پیمایی, علاوه بر صرفه جویی در وقت, از صرفه اقتصادی نیز برخوردار است. در این پژوهش بهمحاسبه پنجره ایمن گل حفاری با استفاده از گزارش روزانه حفاری و نیز تخمین آن با استفاده از روش های نوین هوشمصنوعی از جمله شبکه عصبی مصنوعی ANN و نیز برنامه ریزی ژنتیک چند ژنه MGGP پرداخته شده است.داده های حفاری بکار برده شده شامل نرخ ورودی گل، نرخ خروجی گل، نرخ جریان و گردش بر دقیقه است. براساسمطالعه حاضر نتایج نشان می دهد که الگوریتم MGGP و ANN به ترتیب بالاترین عملکرد در تخمین breakdown وbreakout ارائه می دهند. نحوه ی مقایسه هر کدام از مدل ها با یکدیگر به تفصیل در متن ارائه شده است.

مدل زمین مکانیکی، تنش، پنجره بهینه گل حفاری، پایداری چاه، هوش مصنوعی، داده های روزانه حفاری