آرش ابراهیم آبادی - گروه مهندسی نفت، معدن و مواد، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

امروزه در هر پروژه مباحث هزینه و زمان از اهمیت بالایی برخوردار می باشند، بنابراین در صنعت حفاری نیز که یکی از پرهزینه ترین صنعت ها به شمار می رود، باید اقداماتی مقتضی در خصوص صرفه جویی در زمان و هزینه صورت پذیرد. در عملیات حفاری، با انتخاب صحیح ابزار مورد استفاده و هم چنین پیش بینی دقیق و به موقع پارامترها و مشکلات احتمالی می توان این عملیات را در زمان و هزینه کمتر انجام داد. در این راستا یکی از موثرترین راهکارها تحلیل اطلاعات میدانی و به دنبال آن توسعه و بهبود ابزارهای این تحلیل ها می باشد. در صنعت حفاری برای شناسایی مشکل و بهبود عملکرد حفاری عموما یا از آزمون های آزمایشگاهی و روابط تجربی استفاده می شود و یا از تجربیات گذشته بهره گرفته می شود. در این تحقیق سعی شد از روش های نوین و مدل سازی هوشمند برای پیش بینی نرخ نفوذ در عملیات حفاری استفاده شود که بدین منظور از روش شبکه عصبی مصنوعی استفاده شد. در این مقاله با استفاده از شبکه عصبی مصنوعی و داده های حفاری میدان نفتی شادگان (۴۰۰ داده) و در سازند آغاجاری اقدام به ساخت مدلی جهت پیش بینی نرخ نفوذ حفاری شد و سپس نتایج حاصل با نتایج بدست آمده از مدل سازی با رگرسیون چند متغیره مقایسه شد. برای ارزیابی خصوصیات اصلی مدل بدست آمده و صحت سنجی آن از داده های چاه های مجاور استفاده شد. نتایج تحقیق نشان داد که ضریب همبستگی برای شبکه عصبی ۰.۹۷ و ضریب تعیین آن ۰.۹۴ بدست آمد در حالی که در تحلیل آماری، مقدار ضریب همبستگی ۰.۹۴ و ضریب تعیین برابر با ۰.۸۹ می باشد که این امر دقت بالاتر مدل سازی با شبکه عصبی را نشان می دهد.

شبکه عصبی مصنوعی , پیش بینی, نرخ نفوذ, ضریب همبستگی, ضریب تعیین, میدان نفتی شادگان