پیش بینی نرخ نفوذ حفاری با استفاده از مدل یادگیری عمیق
- سال انتشار: 1400
- محل انتشار: ششمین کنفرانس بین المللی پژوهش در علوم و مهندسی و سومین کنگره بین المللی عمران، معماری و شهرسازی آسیا
- کد COI اختصاصی: ICRSIE06_255
- زبان مقاله: فارسی
- تعداد مشاهده: 465
نویسندگان
کارشناسی مهندسی نفت،دانشگاه گرمسار
کارشناسی مهندسی نفت،دانشگاه گرمسار
چکیده
صنعت حفاری از پرهزینه ترین صنایع موجود در صنعت نفت می باشد.از دیرباز بهینه سازی عملیات حفاری مد نظر متخصصان این زمینه بوده است.با توجه به پیچیدگی محاسبات هزینه های حفاری، از مولفه زمان حفاری به عنوان بهترین روش برای ارزیابی هزینه های حفاری استفاده می شود. کاهش زمان حفاری با افزایش نرخ نفوذ مته امکان پذیر است. از آن جا که توانایی شبکه های هوشمند در ایجاد رابطه بین متغیرهای زیاد اثبات شده است لذا به نظر می رسد که این مدل نتیجه مفیدی را در پیش بینی نرخ نفوذ داشته باشد.در این مقاله از روش یادگیری عمیق به عنوان روش پیش بینی نرخ حفاری استفاده می شود و از داده های واقعی عمق ، گشتاور ، وزن روی مته ،وزن گل حفاری ، دور مته در دقیقه ، بار روی قلاب و نرخ پمپاژ در دقیقه جهت آموزش مدل استفاده می شود. پس از آن عملکرد مدل مورد ارزیابی قرار می گیرد.کلیدواژه ها
نرخ نفوذ، داده ، هوش مصنوعی ، بهینه سازی ، حفاری ، یادگیری عمیقمقالات مرتبط جدید
- ارزیابی و بهبود مدیریت پسماند شهری با رویکرد اقتصاد چرخشی
- ارزش گذاری خدمات اکوسیستم نامرئی در برنامه ریزی شهری خاورمیانه مورد پژوهی
- شناسایی و مدلسازی کریدورهای اکولوژیک شهری با تاکید بر ساختار ژئومورفولوژیکی؛ راهبردی برای حفظ تنوع زیستی در ایران
- شهرهای اسفنجی Sponge Cities راهکاری نوین برای مدیریت آب و ارتقای زیست پذیری شهرهای خاورمیانه
- موضوع: علتهای اصلی تخریب جگل های بلوط بهمئی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.