مهدی باجولوند - دانشجوی دکتری، دانشگاه صنعتی شاهرود، دانشکده مهندسی معدن، نفت و ژئوفیزیک،
احمد رمضان زاده - دانشیار، دانشگاه صنعتی شاهرود، دانشکده مهندسی معدن، نفت و ژئوفیزیک
محمد مهراد - دکتری مهندسی معدن، دستیار پژوهشی، دانشگاه صنعتی شاهرود، دانشکده مهندسی معدن، نفت و ژئوفیزیک،
عباس روحی - شرکت ملی حفاری ایران

گشتاور روی مته به طور مستقیم متاثر از اندرکنش مته و سنگ است و افزایش آن منجر به افزایش انرژی ویژه و لرزش رشتهحفاری می شود. هدف این تحقیق شناخت پارامترهای تاثیرگذار بر گشتاور و توسعه مدل هوش مصنوعی پیش بینی آن است.به این منظور داده های چهار چاه حفر شده در یکی از میادین نفتی ایران گردآوری شده و فرایند پیش پردازش شامل پاکسازیو آماده سازی داده به طور کامل بر روی آن انجام شده است. همچنین، پارامترهای ژئومکانیکی نیز با استفاده از داده هایپتروفیزیکی، تخمین زده شده است. داده های سه چاه به عنوان داده های مدل سازی (آموزش و تست) و یک چاه به عنوانداده های اعتبارسنجی در نظر گرفته شده است. به منظور انتخاب تعداد و ترکیب بهینه پارامترها در تخمین گشتاور، از نسخهدوم الگوریتم ژنتیک با مرتب سازی نامغلوب NSGA-II ترکیب شده با شبکه عصبی مصنوعی استفاده شده است. بر ایناساس پارامترهای عمق، مدول یانگ، زاویه اصطکاک داخلی، چسبندگی، تنش افقی حداکثر، وزن روی مته، سرعت چرخشمته، نرخ جریان پمپ و مقدار ساییدگی مته انتخاب شدند. در نهایت شبکه عصبی مصنوعی چندلایه مفهومی ( MLP ) برایتخمین گشتاور به کار گرفته شده است. ارزیابی دقت مدل های مختلف به منظور دستیابی به ساختار بهینه شبکه نشان داد که مدل شبکه عصبی با سه لایه پنهان و تعداد ۱۴،۱۱ و۹ نورون به ترتیب در لایه های اول تا سوم با مقادیر ۰/۲۴ و ۰/۲۸ برای مجذور میانگین مربعات خطاها RMSE و مقادیر ۰/۹۸ و ۰/۹۷ برای ضریب تعیینR-square به ترتیب بر روی داده های آموزش و آزمون، از دقت بالایی برخوردار بوده است. بررسی دقت مدل بر روی داده های اعتبارسنجی نیز نشان داد که این مدل با مقادیر ۰/۳۶ و ۰/۷ به ترتیب برای RMSE و R-square قابلیت تعمیم قابل قبولی دارد. بنابراین استفاده از این مدل هوش مصنوعی در پیش بینی گشتاور روی مته برای میدان مورد مطالعه در محدوده اطلاعات مدل سازی پیشنهاد می شود.

چاه های نفت و گاز، حفاری، گشتاور، ژئومکانیک، شبکه عصبی مصنوعی، الگوریتم NSGA-II