بررسی تاثیر فیلتر های مختلف کاهش نویز بر عملکرد تقریب نرخ نفوذ حفاری توسط مدل های مبتنی بر آموزش ماشین

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 341

فایل این مقاله در 23 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SEE-6-1_009

تاریخ نمایه سازی: 25 تیر 1400

چکیده مقاله:

مدلسازی و تخمین دقیق نرخ نفود حفاری (ROP) مقدمه ای برای ایجاد یک برنامه ریزی بهتر در جهت کاهش زمان عملیات حفاری وکنترل هزینه های مصرفی میباشد. با این حال تخمین این فاکتور کلیدی به سهولت امکان پذیر نیست و دلیل اصلی ان ارتباط پیچیده میان نرخنفوذ و متغیر های حفاری میباشد. از سوی دیگر، وجود نویز در داده ها، سبب افزایش زمان اموزش مدل ها شده و دقت انها را به شدت کاهشمی دهد. در این مطالعه، روش شبکه های عصبی پرسپترون چند لایه (MLP) و روش حد اقل مربعات رگرسیون بردار پشتیبان (LSSVR) بههمراه چهار فیلتر کاهش نویز داده به منظور تخمین نرخ نفوذ استفاده شده است. داده های مورد استفاده به منظور تغذیه مدل ها، از واحد نمودارگیری گل (MLU) و گزارش نهایی یک چاه حفاری شده واقع در جنوب غربی ایران جمع اوری شده است که پس از فرایند انتخاب ویژگیاز طریق الگوریتم تبرید شبیه سازی شده (SA) و شبکه های عصبی مصنوعی، یازده متغیر از کل متغیرها انتخاب گردید. در ادامه، نقاط خارجاز محدوده حذف شدند و نویز کلی داده ها بوسیله فیلترهای میانه، ساویتزکی گولی، میانگین متحرک وزن دار و سیگنال ویولت کاهش یافت.در پایان، عملکرد مدلهای توسعه داده شده و فیلترهای به کار رفته، توسط شاخص های اماری مختلفی مورد بررسی و مقایسه قرار گرفت وثابت گردید که روش LSSVR با کرنل پایه شعاعی و دیتای خروجی از فیلتر میانگین متحرک وزن دار، بهترین نتایج را در دو بخش اموزشو ازمون مدل نمایش میدهد.

کلیدواژه ها:

نرخ نفوذ حفاری ، شبکه های عصبی پرسپترون چند لایه ، حداقل مربعات رگرسیون بردار پشتیبان ، انتخاب ویژگی ، حذف نویز ، الگوریتم تبرید شبیه سازی شده.

نویسندگان

احسان برنجکار

کارشناسی ارشد مهندسی نفت، دانشگاه ازاد اسلامی واحد علوم و تحقیقات تهران