ارائه ابزار گرافیکی به منظور پیش بینی نرخ نفوذ حفاری با استفاده از شبکههای هوشمند
عنوان مقاله: ارائه ابزار گرافیکی به منظور پیش بینی نرخ نفوذ حفاری با استفاده از شبکههای هوشمند
شناسه ملی مقاله: JR_PRRIP-28-3_010
منتشر شده در در سال 1397
شناسه ملی مقاله: JR_PRRIP-28-3_010
منتشر شده در در سال 1397
مشخصات نویسندگان مقاله:
سیدحسن مشعشعی - دانشکده مهندسی نفت، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
آرش ابراهیم آبادی - گروه مهندسی معدن، واحد قائم شهر، دانشگاه آزاد اسلامی، قائم شهر، ایران
ابوالقاسم امامزاده - گروه مهندسی نفت، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
خلاصه مقاله:
سیدحسن مشعشعی - دانشکده مهندسی نفت، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
آرش ابراهیم آبادی - گروه مهندسی معدن، واحد قائم شهر، دانشگاه آزاد اسلامی، قائم شهر، ایران
ابوالقاسم امامزاده - گروه مهندسی نفت، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
پیشبینی نرخ نفوذ حفاری بهدلیل نقش آن در به حداقل رساندن هزینه های حفاری برای بهینهسازی حفاری از اهمیت زیادی برخوردار است. تحلیل اطلاعات میدانی، عنصر اصلی کاهش هزینه و بهبود عملیات حفاری بوده و توسعه ابزارهای تحلیل اطلاعات میدانی و ارائه مدل های پیش بینی، یکی از راههای توسعه و بهبود عملیات حفاری به شمار میرود. هنگامی که یک سیستم حفاری مستقر شد، تنها تعداد پارامترهای محدودی هستند که قابل کنترل و تغییر هستند؛ لذا موفقیت آمیز بودن طرح های حفاری به میزان زیادی به پیشبینی عملکرد حفاری وابسته است. هدف اصلی انجام این تحقیق کاربرد شبکه های هوشمند و ارائه ابزارهایی گرافیکی برای پیش بینی نرخ نفوذ حفاری است که بدین منظور یک بانک اطلاعاتی از داده های میدانی از جمله عمق چاه، وزن روی مته، سرعت چرخش مته، فشار لوله حفاری، وزن روی قلاب و گشتاور از یکی از میادین جنوب کشور تهیه شد. در این تحقیق دو نوع مختلف و کاربردی از ابزار گرافیکی برای پیشبینی نرخ نفوذ حفاری و نیز محاسبه هزینه بر فوت، با استفاده از شبکه عصبی و عصبی فازی توسعه داده شد که ابزار اول درخصوص پیشبینی نرخ نفوذ حفاری و ابزار دوم به منظور ارزیابی اقتصادی عملکرد مته و محاسبه هزینه بر فوت ارائه شده است. نتایج تحلیل ها با استفاده از این ابزار گرافیکی نشان داد که رابطه خوبی با ضریب همبستگی (۹۴/۰=R۲) برای پیش بینی نرخ نفوذ با استفاده از شبکه عصبی بهدست می آید. در ادامه به جهت بهبود رابطه بهدست آمده از روش شبکه عصبی فازی بهره گرفته شد. نتایج نشان داد که رابطه بسیار خوبی با دقت بالا با ضریب تعیین (۹۹/۰=R۲) حاصل می شود که حاکی از بهبود دقت مدل پیش بینی با استفاده از روش عصبی فازی است.
کلمات کلیدی: نرخ نفوذ حفاری, پیش بینی, هزینه بر فوت, شبکه های هوشمند, شبکه عصبی فازی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1868543/