تخمین گشتاور روی مته در عملیات حفاری چاه های نفت و گاز با استفاده ازشبکه عصبی مصنوعی
- سال انتشار: 1401
- محل انتشار: اولین همایش بین المللی هوش مصنوعی، علم داده و تحول دیجیتال در صنعت نفت و گاز
- کد COI اختصاصی: OILANDGAS01_015
- زبان مقاله: فارسی
- تعداد مشاهده: 469
نویسندگان
دانشجوی دکتری، دانشگاه صنعتی شاهرود، دانشکده مهندسی معدن، نفت و ژئوفیزیک،
دانشیار، دانشگاه صنعتی شاهرود، دانشکده مهندسی معدن، نفت و ژئوفیزیک
دکتری مهندسی معدن، دستیار پژوهشی، دانشگاه صنعتی شاهرود، دانشکده مهندسی معدن، نفت و ژئوفیزیک،
شرکت ملی حفاری ایران
چکیده
گشتاور روی مته به طور مستقیم متاثر از اندرکنش مته و سنگ است و افزایش آن منجر به افزایش انرژی ویژه و لرزش رشتهحفاری می شود. هدف این تحقیق شناخت پارامترهای تاثیرگذار بر گشتاور و توسعه مدل هوش مصنوعی پیش بینی آن است.به این منظور داده های چهار چاه حفر شده در یکی از میادین نفتی ایران گردآوری شده و فرایند پیش پردازش شامل پاکسازیو آماده سازی داده به طور کامل بر روی آن انجام شده است. همچنین، پارامترهای ژئومکانیکی نیز با استفاده از داده هایپتروفیزیکی، تخمین زده شده است. داده های سه چاه به عنوان داده های مدل سازی (آموزش و تست) و یک چاه به عنوانداده های اعتبارسنجی در نظر گرفته شده است. به منظور انتخاب تعداد و ترکیب بهینه پارامترها در تخمین گشتاور، از نسخهدوم الگوریتم ژنتیک با مرتب سازی نامغلوب NSGA-II ترکیب شده با شبکه عصبی مصنوعی استفاده شده است. بر ایناساس پارامترهای عمق، مدول یانگ، زاویه اصطکاک داخلی، چسبندگی، تنش افقی حداکثر، وزن روی مته، سرعت چرخشمته، نرخ جریان پمپ و مقدار ساییدگی مته انتخاب شدند. در نهایت شبکه عصبی مصنوعی چندلایه مفهومی ( MLP ) برایتخمین گشتاور به کار گرفته شده است. ارزیابی دقت مدل های مختلف به منظور دستیابی به ساختار بهینه شبکه نشان داد که مدل شبکه عصبی با سه لایه پنهان و تعداد ۱۴،۱۱ و۹ نورون به ترتیب در لایه های اول تا سوم با مقادیر ۰/۲۴ و ۰/۲۸ برای مجذور میانگین مربعات خطاها RMSE و مقادیر ۰/۹۸ و ۰/۹۷ برای ضریب تعیینR-square به ترتیب بر روی داده های آموزش و آزمون، از دقت بالایی برخوردار بوده است. بررسی دقت مدل بر روی داده های اعتبارسنجی نیز نشان داد که این مدل با مقادیر ۰/۳۶ و ۰/۷ به ترتیب برای RMSE و R-square قابلیت تعمیم قابل قبولی دارد. بنابراین استفاده از این مدل هوش مصنوعی در پیش بینی گشتاور روی مته برای میدان مورد مطالعه در محدوده اطلاعات مدل سازی پیشنهاد می شود.کلیدواژه ها
چاه های نفت و گاز، حفاری، گشتاور، ژئومکانیک، شبکه عصبی مصنوعی، الگوریتم NSGA-IIمقالات مرتبط جدید
- محاسبه تخلخل و نحوه توزیع آن به کمک نمودار تصویرگر FMI
- تفسیر نمودار تصویرگر FMI به منظور شناسایی شکستگیهای دیواره چاه
- ارزیابی تاثیر تکانه قیمتی سوخت های مصرفی بر میزان مصرف
- بررسی تنشهای دیواره چاه و محاسبه فشار منفذی از نمودارهای چاهپیمایی معمول و تصویرگر FMI
- Chelating Agents and their role in enhancing carbonate rock dissolution: A critical Review
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.