تخمین نرخ نفوذ حفاری با استفاده از ماشین یادگیری افراطی و شبکه های عصبی پایه شعاعی

  • سال انتشار: 1398
  • محل انتشار: ماهنامه اکتشاف و تولید نفت و گاز، دوره: 1398، شماره: 173
  • کد COI اختصاصی: JR_EKTESHAF-1398-173_003
  • زبان مقاله: فارسی
  • تعداد مشاهده: 167
دانلود فایل این مقاله

نویسندگان

احسان برنجکار

دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران

چکیده

تخمین نرخ نفوذ (ROP)، یکی از اقدامات اولیه و بسیار مهم به منظور بهینه سازی عملیات حفاری و مدیریت چاه های آینده است. به دلیل پیچیدگی میان متغیرهای تاثیرگذار بر نرخ نفوذ، تخمین دقیق این فاکتور کلیدی به وسیله مدل های ریاضی مرسوم امکان پذیر نیست. هدف از این مطالعه، استفاده از دو روش شبکه های عصبی پایه شعاعی بهینه شده با الگوریتم ازدحام ذرات (PSO-RBFNN) و ماشین یادگیری افراطی (ELM)، برای تخمین نرخ نفوذ است. RBFNN، یکی از روش های مدل سازی در تخمین توابع غیرخطی به شمار می رود، که به دلیل داشتن تنها یک لایه پنهان، محاسبات و پیچیدگی بسیار کمتری دارد. در حالی که، روش ELM یک روش تعمیم یافته از شبکه های عصبی پرسپترون چند لایه (MLP) است که با ایجاد تغییراتی در ساختار و محاسبات لایه پنهان، سرعت و دقتی بالاتر را برای تقریب فراهم آورده است. در این پژوهش، از داده های واحد نمودارگیری گل (MLU) جمع آوری شده از یک چاه حفاری شده واقع در میدان نفتی رگ سفید در جنوب غربی ایران استفاده شده است. این داده ها شامل نه متغیر مستقل (پارامترهای عملیات حفاری) و یک متغیر وابسته (نرخ نفوذ) می باشد که پس از کنترل نویز و حذف نقاط دور افتاده، به عنوان ورودی مدل ها استفاده شدند. دقت تقریب مدل های توسعه داده شده، به وسیله معیارهای آماری مختلفی با یکدیگر مقایسه شدند که شامل ضریب تعیین ))، ضریب رگرسیون(R)، خطای میانگین مربعات (MSE)، خطای جذر میانگین مربعات (RMSE) و میانگین مطلق خطا (MAE) است. بر اساس نتایج این مطالعه، نشان داده شد که هر دو مدل، تخمین مناسبی را از نرخ نفوذ ارائه می کنند. با این حال ثابت شد که مدل ELM، الگوی میان داده های ورودی را بهتر تشخیص داه و می تواند به عنوان یک مدل کارآمد برای تخمین نرخ نفوذ استفاده شود. همچنین ثابت شد که کنترل نویز داده ها یک اقدام موثر و ضروری قبل از فرآیند مدل سازی است.

کلیدواژه ها

نرخ نفوذ, شبکه های عصبی پایه شعاعی, ماشین یادگیری افراطی, بهینه سازی حفاری, مدل سازی, الگوریتم بهینه سازی ازدحام ذرات

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.