پیش بینی برخط رخدادهای حفاری بر اساس نمودارگیری گل با استفاده از شبکه عصبی حافظه کوتاه مدت طولانی

موضوع تحقیق: عملیات حفاری همواره دچار مشکلات فراوانی بوده است. این مشکلات می توانند خسارات مالی، جانی یا حتی محیط زیستی فراوانی ایجاد کنند. به همین دلیل به دنبال راه حلی باید بود که این مشکلات را کاهش دهد و قبل از واردشدن خسارات جانی و مالی، این اتفاقات را پیش بینی کند و اقدامات لازم را برای رفع و کاهش خسارات عملی سازد. در این پژوهش، تاثیر استفاده از الگوریتم های هوش مصنوعی برای پیش بینی رخداد های حفاری مورد بررسی قرار می گیرد. برای این منظور از داده های نمودارگیری از گل حفاری (Mud Logging) که به صورت برخط اندازه گیری شده و از چاه­های موجود در یکی  از میادین نفتی ایران جمع آوری شده اند، استفاده می شود. روش تحقیق: معماری ترکیبی شامل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) و شبکه عصبی تماما متصل برای شناسایی و تشخیص ناهنجاری هایی مانند سیلان چاه (Kick) و گیرکردن لوله حفاری (Stuck Pipe) به کار گرفته شد. به دلیل کمبود نمونه های این ناهنجاری ها در مجموعه داده ها که می تواند به طور قابل توجهی دقت و عملکرد مدل را کاهش دهد، از روش نمونه برداری دسته اقلیت (SMOTE) برای تعادل توزیع دسته ها و بهبود عملکرد کلی شبکه استفاده شد. علاوه بر این، تاثیر تغییرات ابرمتغیرها بر کاهش خطای شبکه مورد بررسی قرار گرفت. نتایج تحقیق:  در شبکه هایی که با ساختارها و معماری های مختلف مورد بررسی قرار گرفتند، نتایج تجربی نشان داد که شبکه عصبی با دقت ۴۵/۹۴ درصد بر روی مجموعه داده های آزمایشی عمل کرد. این عملکرد با تنظیم ابرمتغیرها به صورت زیر حاصل شد: پنجره نگاه به عقب ۷، نرخ یادگیری ۰۰۱/۰، نرخ حذف ۲/۰، اندازه دسته ۳۲ و معماری شبکه چهار لایه با تعداد واحدهای {(۵۱۲,۲۵۶,۲۵۶)} در لایه های پنهان اول، دوم و سوم. این پیکربندی در تشخیص ناهنجاری نسبت به سایر گزینه های آزمایش شده، دقت بالاتر و هشدارهای کاذب کمتری داشت. با توجه به نتایج به دست آمده این روش در تشخیص برخط ناهنجاری در فرایند حفاری موثر خواهد بود.

کلیدواژه ها:

Mud logging ، Long-short term memory network ، Kick ، Stuck pipe ، SMOTE ، نمودارگیری از گل حفاری ، شبکه عصبی حافظه کوتاه مدت طولانی ، سیلان چاه ، گیر رشته حفاری ، الگوریتم نمونه گیری دسته اقلیت