پیشبینی پنجره ایمن گل با استفاده از یادگیری ماشین ترکیبی

عملیات حفاری و استخراج یکی از مهمترین مباحث مهندسی نفت و گاز می باشد. از این رو تعیین پنجره ی ایمن گل حفاری بر روی هزینه های عملیاتی تاثیر بسزایی دارد. جهت تعیین پارامتر مذکور از اطلاعات مربوط به حداقل و حداکثر فشار وزن گل حفاری استفاده می گردد. در این مطالعه از ۱۹۸۷ داده مربوط به یکی از میادین نفتی واقع در جنوب ایران بهره برده شده است. چنان که به منظور پیش بینی دو پارامتر حداقل وزن گل زیر فشار شکست و حداکثر وزن گل بالای فشار شکست، از الگوریتم های بهینه ساز ترکیبی یادگیری ماشین استفاده شده است. با استفاده از الگوریتم های ترکیبی، خطر محدود شدن به بهینه محلی مرتفع شده و معضل تطبیق بیش از حد داده ها به حداقل می رسد. الگوریتم جستجوی گرانشی برای تعیین موثر پارامترهای کنترلی بهینه، الگوریتم پرسپترون چندلایه به کار گرفته شد. نتایج نشان داد که الگوریتم پرسپترون چندلایه الگوریتم جستجوی گرانشی از دیگر مدل ها همچون الگوریتم پرسپترون چندلایه الگوریتم کرم شب تاب، الگوریتم پرسپترون چندلایه الگوریتم کلونی زنبور عسل و الگوریتم پرسپترون چندلایه الگوریتم تحلیل اجزای مستقل دقیق تر است. چنان که زیر مجموعه آزمایشی الگوریتم پرسپترون چندلایه الگوریتم جستجوی گرانشی کمترین خطا را برای حداقل وزن گل زیر فشار شکست psi ۱۲/۲۸۳ = RMSE و ۰/۹۰۱۴ = (۲) و حداکثر وزن گل بالای فشار شکست psi ۱۲/۵۳۶ = RMSE و ۱۷ ۰/۹ = R۲ نشان می دهد.

کلیدواژه ها:

پنجره ایمن ، گل ارزیابی کمی ، ریسک تکنیک ، یادگیری ماشین ، الگوریتمهای ترکیبی ، بهینه سازهای ازدحام ذرات