مطالعه عملکرد شبکه های عصبی مصنوعی MPLو RBF در پیش بینی میزان گیر کردن لوله ها در حفاری دریایی یکی از میادین نفتی ایران
عنوان مقاله: مطالعه عملکرد شبکه های عصبی مصنوعی MPLو RBF در پیش بینی میزان گیر کردن لوله ها در حفاری دریایی یکی از میادین نفتی ایران
شناسه ملی مقاله: ATEMCONF01_027
منتشر شده در نخستین همایش فناوری های نوین در انرژی و مواد در سال 1398
شناسه ملی مقاله: ATEMCONF01_027
منتشر شده در نخستین همایش فناوری های نوین در انرژی و مواد در سال 1398
مشخصات نویسندگان مقاله:
محمدجواد منصوری - کارشناسی ارشد مهندسی نفت، واحد امیدیه، دانشگاه آزاد اسلامی، تهران ایران مهندسی ساختمان و صنایع نفت(OIEC)، شرکت تامین دکل صبا(SRP)
سجاد مظفری - مهندسی ساختمان و صنایع نفت(OIEC)، شرکت تامین دکل صبا(SRP) نماینده دانشجویی انجمن زمین شناسی و مهندسی اروپا (EAGE) عضو انجمن نفت آمریکا (SPE) باشگاه پژوهشگران جوان و نخبگان، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران- دانشجوی دکترای مهندسی نفت،
محمد بهنود - گروه مهندسی نفت، دانشکده مهندسی شیمی و نفت، واحد علوم و تحقیقات، دانشگاه آزاداسلامی، تهران، ایران
آرمین حسینیان - باشگاه پژوهشگران جوان و نخبگان، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران دکترای مهندسی نفت، دانشکده مهندسی نفت ، دانشگاه کرتین استرالیا - فوق دکتری )دانشگاه بریتیشکلمبیا، کانادا(- گروه مهندسی نفت، دانشکده مهندسی شیمی و نفت، واحد علوم و تحقیق
شایان امیری - دانشجوی دکترای مهندسی نفت، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
سیدجمال شیخ ذکریایی - باشگاه پژوهشگران جوان و نخبگان، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران،گروه مهندسی نفت، دانشکده مهندسی شیمی و نفت، واحد علوم و تحقیقات، دانشگاه آزاداسلامی، تهران، ایران
خلاصه مقاله:
محمدجواد منصوری - کارشناسی ارشد مهندسی نفت، واحد امیدیه، دانشگاه آزاد اسلامی، تهران ایران مهندسی ساختمان و صنایع نفت(OIEC)، شرکت تامین دکل صبا(SRP)
سجاد مظفری - مهندسی ساختمان و صنایع نفت(OIEC)، شرکت تامین دکل صبا(SRP) نماینده دانشجویی انجمن زمین شناسی و مهندسی اروپا (EAGE) عضو انجمن نفت آمریکا (SPE) باشگاه پژوهشگران جوان و نخبگان، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران- دانشجوی دکترای مهندسی نفت،
محمد بهنود - گروه مهندسی نفت، دانشکده مهندسی شیمی و نفت، واحد علوم و تحقیقات، دانشگاه آزاداسلامی، تهران، ایران
آرمین حسینیان - باشگاه پژوهشگران جوان و نخبگان، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران دکترای مهندسی نفت، دانشکده مهندسی نفت ، دانشگاه کرتین استرالیا - فوق دکتری )دانشگاه بریتیشکلمبیا، کانادا(- گروه مهندسی نفت، دانشکده مهندسی شیمی و نفت، واحد علوم و تحقیق
شایان امیری - دانشجوی دکترای مهندسی نفت، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
سیدجمال شیخ ذکریایی - باشگاه پژوهشگران جوان و نخبگان، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران،گروه مهندسی نفت، دانشکده مهندسی شیمی و نفت، واحد علوم و تحقیقات، دانشگاه آزاداسلامی، تهران، ایران
یکی از مشکلات پرهزینه و وقت گیر عملیات حفاری، وقوع پدیده گیر رشته حفاری است. عملیات حفاری چاه های نفت و گاز مشکلات زیادی را به همراه دارد، رفع این مشکلات نقش مهمی در ادامه حفر چاه ها و پیشبرد این صنعت عظیم دارد.عوامل بسیار زیادی باعث بروز گیر لوله ها می شوند. در حال حاضر مهندسین حفاری فقط از رو شهای قدیمی و تجربی قادرند تا حدودی شرایط گیر لول هها را تشخیص داده و آنها را رفع کنند. در سا لهای اخیر بحث استفاده از شبکه های عصبی یا هوش مصنوعی رواج زیادی پیدا کرده است.در گیر لوله ها اگر اقدامی سریع و مناسب صورت نپذیرد و گیر رشته ها آزاد نشود، خسارت های مالی زیادی را به همراه خواهد داشت. بنابراین پیش بینی گیر لوله ها بخصوص در میادین دریایی از اهمیت خاصی برخوردار است. دراین پایان نامه اثر ۲ پارامتر مرتبط با حفاری (فشار دیفرانسیلی و عمق چاه) و ۷ پارامتر مربوط به سیال حفاری (؛ نرخ هرزوری سیال، درصد مواد جامد، ویسکوزیته فیلترات سیال حفاری، پلاستیک ویسکوزیته، نقطه تسلیم، مقاومت ژلی اولیه و مقاومت ژلی بعد از ۱۰ دقیقه) روی میزان گیر دیفرانسیلی لوله های حفاری در ۷ میدان واقع در خلیج فارس مورد ارزیابی قرار می گیرد. جهت تشخیص رابطه پیچیده میان این پارامترها و گیر لوله ها از شبکه های عصبی مصنوعی پرسپترون چند لایه و شعاعی پایه استفاده می شود. شبکه های عصبی با الگوبرداری از ذهن انسان قادرند تا این رابطه پیچیده و مبهم را شناسایی کرده و در نهایت به پیش بینی تابع هدف مسئله (گیر دیفرانسیلی لوله ها) در سایر حالات دیگر بپردازند. در این راستا از الگوریتم های ازدحام ذرات (PSO) و رقابت استعماری (ICA) و ژنتیک الگوریتم (GA) به عنوان الگوریتم آموزش در هر دو شبکه استفاده خواهد شد.
کلمات کلیدی: گیر دیفرانسیلی لوله، شبکه عصبی پرسپترون، شبکه شعاعی پایه، الگوریتم ژنتیک، ازدحام ذرات
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1696553/