مهدی منجزی - کارشناس ارشد مهندسی مکانیک، شرکت ملی حفاری ایران، اهواز، ایران
مجتبی منجزی - کارشناس ارشد مهندسی مکانیک، واحد استان خوزستان، دانشگاه جامع علمی کاربردی، اهواز، ایران
محسن مهدوی عادلی - استادیار گروه مهندسی مکانیک، واحد سوسنگرد، دانشگاه آزاد اسلامی، سوسن گرد، ایران،

شبکه های عصبی قابلیت مناسبی در تحلیل مسائل مربوط به مجموعه داده های تاریخچه گسترده نشان می دهد. از کاربردهای شبکه عصبی در صنایع نفت، استفاده از آن در تعیین پارامترهای خطوط لوله دو فاز، تخمین ویژگی های مخزن مانند تخلخل و اشباع سیال با استفاده از نمودار های چاه، طراحی بهینه شکاف هیدرولیکی، توصیف خواص سیالات مخزن، تعیین پارامترهای پتروفیزیکی و تفسیر داده های زمین لرزه ای می باشد. در این پژوهش به منظور مدل سازی سرعت حفاری از دو مدل به نام های شبکه عصبی چندلایه و شبکه عصبی پایه شعاعی استفاده گردید. با توجه به پارامترهای آماری، اگرچه مدل های مختلف دقت قابل قبولی برای پیش بینی داده های سرعت حفاری حاصل از اطلاعات میدانی ارائه می دهند، لذا می توان نتیجه گرفت مدل پایه شعاعی به دلیل مقدار ضریب همبستگی بیشتر و مقادیر میانگین خطای نسبی و جذر کمینه مربعات خطا کمتر نسبت به مدل چندلایه دقیق تر می باشد.

شبکه عصبی ، مدل سازی ، سرعت حفاری ، پارامترهای پتروفیزیکی.