سجاد دولتی - گروه مهندسی نفت / دانشکده شیمی، دانشگاه تربیت مدرس / شهر تهران

در صنعت نفت و گاز، توانایی پیش بینی و بهینه سازی نرخ نفوذ حفاری ۱ برای به حداکثر رساندن راندمان حفاری و به حداقل رساندن هزینه ها موضوع بسیار مهم و با اهمیتی است . روشهای سنتی حفاری اغلب به آزمونوخطا متکی هستند که می تواند زمانبر و ناکارآمد باشد. ظهور هوش مصنوعی ۲ امکانات جدیدی را برای پیش بینی و بهینه سازی نرخهای حفاری به وجود آورده است و رویکردی دقیق تر و مقرونبه صرفه تر ارائه می دهد. این مقاله به بررسی کاربرد هوش مصنوعی در عملیات حفاری به منظور افزایش راندمان حفاری ، با تمرکز بر پیش بینی و بهینه سازی نرخ نفوذ حفاری می پردازد. در این مطالعه با استفاده از شبکه های عصبی بازگشتی ۳ و شبکه عصبی کانولوشنال۴ نرخ نفوذ حفاری را پیش بینی و بهینه سازی می کنیم و مقایسه ای نسبت به عملکرد دو مدل خود را ارائه می کنیم . در این مطالعه توانستیم با بهبود عملکرد مدل و افزایش دقت آن از طریق اعمال هایپرپارامترهای بهینه و رسیدن به مقدار مناسب پارامترهای مدل نتیجه خوبی در پیش بینی و بهینه سازی نرخ نفوذ حفاری بدست آوریم ؛ همچنین دو مدل نسبت به هم عملکرد بسیارخوبی داشتند و توانستند مقدار نرخ نفوذ حفاری با کم ترین خطا نسبت به هم پیش بینی کنند.

داده های حفاری ، نرخ نفوذ حفاری ، راندمان حفاری ، هوش مصنوعی ، شبکه عصبی کانولوشنال، شبکه عصبی بازگشتی