پیش بینی بلادرنگ نرخ نفوذ پذیری در حین حفاری در یکی از مخازن نفتی جنوب غرب ایران با استفاده از شبکه های عصبی
Publish place: The Third Scientific Conference of Hydrocarbon Reservoir Engineering, Science and Related Industries
Publish Year: 1393
Type: Conference paper
Language: Persian
View: 913
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
RESERVOIR03_023
Index date: 12 July 2014
پیش بینی بلادرنگ نرخ نفوذ پذیری در حین حفاری در یکی از مخازن نفتی جنوب غرب ایران با استفاده از شبکه های عصبی abstract
بهینه سازی نرخ نفوذ حفاری، یکی از مهم ترین پارامترهای موثر در کاهش هزینه های حفاری می باشد. به طور معمول، عملیات بهینه سازی، با توجه به عملکرد چاه های مشابه صورت می گیرد و نتایج آن در چاه فعلی مورد استفاده قرار می گیرد. از آنجا که توانایی شبکه عصبی هوشمند در ایجاد رابطه بین متغییر های زیاد اثبات شده است ، لذا به نظر می رسد شبکه هوشمند نتیجه مفیدی را در پیش بینی نرخ نفوذ داشته باشد. در این پروژه با استفاده از نرم افزار Matlab و داده های گروه گل نگاری مستقر در محل حفاری که به صورت لحظه ای در دسترس است، مدلی ساخته می شود که بتواند نرخ نفوذ را پیش بینی بکند. در این مدل، با استفاده از پارامترهای حفاری از قبیل وزن روی مته، سرعت چرخش مته، مقدار پمپاژ سیال حفاری و فشار آن، وزن گل موجود و مدت زمان کارکرد مته و در اندازه ثابت حفره چاه ، نرخ نفوذ را پیش بینی می کنیم. با استفاده از داده های موجود، ابتدا مدل ساخته و آموزش داده می شود و آنگاه با استفاده از پارامترهای پیش بینی شده در پروپوزال حفاری و داده های حین حفاری، اقدام به پیش بینی نرخ نفوذ چاه فعلی می کنیم. ضریب همبستگی ANN برای طرح کلی آموزش و خروجی پیش بینی شده 0.96 است
پیش بینی بلادرنگ نرخ نفوذ پذیری در حین حفاری در یکی از مخازن نفتی جنوب غرب ایران با استفاده از شبکه های عصبی Keywords:
نرخ نفوذ پذیری , بهینه سازی حفاری , پیش بینی نرخ نفوذ پذیری , کاهش زمان حفاری , کاهش هزینه های حفاری
پیش بینی بلادرنگ نرخ نفوذ پذیری در حین حفاری در یکی از مخازن نفتی جنوب غرب ایران با استفاده از شبکه های عصبی authors
مهدی نظیری
دانشگاه آزاد اسلامی واحد امیدیه
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :