حامد آزادیان - دانشجوی مقطع کارشناسی ارشد مهندسی نفت، دانشکده مهندسی نفت، گاز و پتروشیمی، دانشگاه خلیج فارس
علی رنجبر - گروه مهندسی نفت، دانشکده مهندسی نفت، گاز و پتروشیمی، دانشگاه خلیج فارس
عباس روحی - شرکت ملی حفاری ایران

پیشبینی عمقهای بحرانی که احتمال وقوع مشکلات حفاری در آنها براساس تجربه حفر چاه های قبل در میدان بیشاز دیگر اعماق است، می تواند گام مهمی در کاهش زمان و هزینه های حفاری باشد. در این پژوهش، با به کارگیریروش های یادگیری ماشین و استفاده از پارامترهای حفاری، پیش بینی عمق های بحرانی حفاری از طریق کلاس بندیمشکلات حفاری بررسی شده است. از ۴۱۱ دسته داده حاصل از حفاری ۱۷ چاه یکی از میادین دریایی ایران برای ساختمدل های یادگیری ماشین استفاده شد. برای آزمایش مدل ها، ۳۰ درصد از داده ها به منظور اثبات جامعیت پذیری آنهابه کار گرفته شد. با استفاده از نرم افزار MATLAB R۲۰۲۱b مدل های دسته بندی چندکلاسه شامل ماشین های بردارپشتیبان، و دسته بند جمعی اجرا شد. پس از بهینه سازی، بهترین دقت اعتبارسنجی متعلق به مدل دسته بند جمعی با دقت ۸۹/۲% بود. همچنین دقیق ترین مدل در مرحله آزمایش، به ترتیب دسته بند جمعی با ۸۷/۴% و ماشین های بردار پشتیبان با ۸۲/۱% بود. از مدلهای با دقت مناسب می توان برای پیش بینی عمق های بحرانی حفاری، و توجه بیشتر حین حفاری چاه های جدید در میدان تحت مطالعه استفاده کرد

عمق بحرانی، ماشین بردار پشتیبان، دسته بند جمعی، حفاری دریایی، هوش مصنوعی