ارائه یک مدل جدید به منظور پیش بینی مدیریت هرزروی گل با استفاده از متغیرهای گل حفاری

از دست دادن گل حفاری در حفاری یک مسئله چالش برانگیز برای بسیاری از چاه های نفت و گاز با پیشرفت حفاری است. اینهزینه های هنگفتی را به صنعت حفاری تحمیل می کند. یکی از رو شهای معمول برای حل این مشکل یا کم کردن آن، وارد کردن موا دگل حفاری (LCM) به گردش سیال است. توانایی پیش بینی میزان هرز روی گل قبل از حفاری یک سازند خاص، اطلاعات بی نظیری رادر اختیار مهندسان قرار می دهد تا در انتخاب خصوصیات مناسب LCM مانند توزیع اندازه ذرات به آنها کمک کند. در این مطالعه ،الگوریتم بهینه سازی ازدحام ذرا ت (PSO) و الگوریتم بهینه سازی فاخته (COA) با روش ماشین بردار پشتیبان حداقل مربعات(LSSVM) برای ارائه الگوریتم های هیبرید متفاوت در پیش بینی هرز روی گل حفاری هم ترکیب شده اند. در این مقاله از ۲۸۲۰مجموعه داده استخراج شده از گزارش های حفاری موجود از ۳۰۵ حلقه چاه حفر شده در میدان نفتی مارون است. ویژگی هایی از جملهاطلاعات پتروفیزکی سازند و گل حفاری که شامل ۱۸ متغیر ورودی و ۱ خروجی هستند قبل از برنامه نویسی می بایست داده ها پیشپردازش، فیلتر و رتبه بن دی انتخاب ویژگی باید صورت گیرد. نتایج نشان می دهند که مدل های هوشمند ترکیبی به شدت قادر بهپیش بینی هرزروی گل قبل از حفاری یک سازند خاص هستند. علاوه بر این، ضرایب تعیین برای LSSVM-COA و LSSVM-PSO بهصورت ۰.۹۴۲۴ و ۰.۹۳۹۱ می باشد. نتایج نشان می دهد که مدل هیبریدی LSSVM-COA دقت عملکرد بالاتری نسبت به مدلLSSVM-PSO دارد.

کلیدواژه ها:

حداقل مربعات ماشین بردار پشتیبان ، هرزروی گل حفاری ، الگوریتم تکاملی ، میدان مارون