توسعه مدل ریاضی جدید برای تخمین گرادیان شکست با استفاده از الگوریتم ژنتیک و روش برنامه ریزی بیان ژن در یکی از میادین خلیج فارس
محل انتشار: مجله پژوهش نفت، دوره: 28، شماره: 5
سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 49
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_PRRIP-28-5_007
تاریخ نمایه سازی: 6 دی 1402
چکیده مقاله:
ارزیابی دقیق فشار شکست و فشار منفذی از پارامترهای کلیدی برای برنامه ریزی عملیات حفاری بهشمار می آید. تخمین صحیح فشارهای زیرزمینی نقش بسیار مهمی در کاهش هزینههای چاه دارد. تخمین نادرست گرادیان شکست عملیات حفاری را با خطر مواجه می نماید و باعث ایجاد مشکلات جدی در حفاری چاه می گردد که از جمله این مشکلات می توان به هرزروی سیال حفاری و فوران چاه اشاره کرد. در این مقاله به منظور پیش بینی گرادیان شکست سازند از الگوریتم ژنتیک و روش برنامه ریزی بیان ژن برای توسعه یک مدل ریاضی استفاده شده است. پارامترهای گرادیان فشار منفذی، گرادیان فشار روباره و ضریب پواسون متغیرهای مستقل مدل به شمار می آیند. ناحیه مورد مطالعه شامل سازندهای هیدروکربوری کنگان و دالان بالایی در یکی از میادین خشکی نزدیک خلیج فارس است که با استفاده از داده های چاه پیمایی دو چاه بهطور جداگانه برای هر یک از این سازندها مدلی ارائه گردید. مجموعه داده های مورد استفاده برای توسعه مدل های ریاضی مذکور شامل بیش از ۴۳۰۰ داده چاه پیمایی از یک چاه در سازندهای کنگان و دالان بالایی است. اعتبارسنجی مدل های ریاضی حاصل با استفاده از ۶۰۰۰ داده از چاه دیگری در همان سازند انجام گردیده است. تحلیل آماری نشان دهنده مناسب بودن این مدل ها برای پیش بینی گرادیان شکست این سازند است بنابراین می توان از آنها برای تخمین فشار شکست استفاده نمود.
کلیدواژه ها:
نویسندگان
احمد گنجی
دانشکده مهندسی نفت و گاز، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
عزت اله کاظم زاده
پردیس پژوهش و توسعه صنایع بالادستی نفت، پژوهشگاه صنعت نفت، تهران، ایران
حامد نظری
دانشکده مهندسی نفت و گاز، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :