مروری بر کاربردهای الگوریتمهای یادگیری ماشین در پیشبینی میزان تولید ماسه در چاههای نفت و گاز

تولید شن و ماسه از چاه ها، همواره به عنوان یک چالش اساسی در صنعت نفت و گاز مطرح بوده است؛ زیرا می تواند منجر به مشکلات جدی مانند: انسداد لوله ها، آسیب به تجهیزات، ایجاد آسیب سازندی، ایجاد احتمال شکست سازند و کاهش تولید و بهره وری گردد. به منظور حذف یا کاهش اثرات منفی حاصل از تولید ماسه، پیش بینی و تشخیص دقیق احتمال شروع تولید ماسه و میزان ماسهی تولیدی، امری اجتناب ناپذیر است. فرآیند پیش بینی و تشخیص به کمک بررسی عوامل متعددی از جمله: عمق چاه، گرادیان شکست سازند، فشار روباره، نسبت پواسون و سایر پارامترهای زمین شناسی صورت می گیرد که به علت مواجه با حجم انبوه داده ها و پیچیدگی فرآیند، روش های مرسوم سنتی، زمان بر و با عدم قطعیت و احتمال خطای زیادی مواجه اند؛ به همین جهت استفاده از روش های کارآمدتر از اهمیت زیادی برخوردار است؛ از اینرو در سالهای اخیر، بکارگیری تکنیک های یادگیری ماشین برای تحلیل داده های زیاد و پیچیده و شناسایی عوامل موثر جدید، به عنوان رویکردی کارآمد و دقیق در جهت بهبود دقت پیش بینی ها مطرح شده است و مورد توجه مهندسان در سراسر جهان قرار گرفته است. از اینرو مهندسان بهره بردار نیز از الگوریتمهای یادگیری ماشین، برای حل معضلات ناشی از تولید ماسه استفاده کردند. در این مطالعه، مروری جامع بر تحقیقات پیشین، در زمینه ی استفاده از یادگیری ماشین، برای پیش بینی تولید ماسه ارائه شده است تا به عنوان مرجعی برای پژوهش های آینده در این حوزه عمل کند.

کلیدواژه ها:

الگوریتمها ، پیشبینی تولید ماسه ، تولید و بهره وری ، تولید نفت ، یادگیری ماشین