پیش بینی نوع و احتمال گیر رشته حفاری به صورت لحظه ای بر مبنای اطلاعات حفاری

پیش بینی گیر رشته حفاری به صورت لحظه ای بر مبنای اطلاعات حفاری، گامی اساسی در جهت غلبه بر این چالش و ارتقای ایمنی و کارایی عملیات حفاری است. با پیش بینی وقوع گیر قبل از وقوع آن، می توان اقدامات پیشگیرانه ای مانند تغییر پارامترهای حفاری یا تعویض ابزار حفاری انجام داد و از بروز مشکلات و هزینه های اضافی جلوگیری کرد. با توجه به اهمیت موضوع، پژوهش های متعددی در زمینه پیش بینی مشکلات حفاری انجام شده است. ابتدا، وارن با شناسایی علل اصلی گیر کردن رشته ها مانند مشکلات سیال حفاری و فشارهای ناگهانی، زمینه ساز مطالعات بعدی شد. پس از او، محققان مانند همپکینز، بردلی، جاردین، ویزنی و دیگران با استفاده از روش های آماری، شبیه سازی های کامپیوتری، و تکنیک های هوش مصنوعی به توسعه مدل های پیش بینی دقیق تر و ابزارهایی برای کاهش خطرات گیر رشته پرداختند. در این پژوهش، داده های گزارش روزانه مربوط به ۲۸ حلقه چاه در یکی از میادین نفتی جنوب غربی ایران مورد استفاده قرار گرفت. برای استفاده موثر از این داده ها، فرآیند پیش پردازش دقیقی انجام شد و هر حلقه چاه به صورت مجزا تحلیل و داده های روزانه بر اساس زمان و شرایط عملیاتی طبقه بندی شدند. همچنین، داده های مربوط به وقوع گیر رشته برای شناسایی الگوهای مرتبط استخراج گردید و در نهایت از روش های یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان و شبکه های عصبی برای ساخت مدل های پیش بینی استفاده شد. نتایج نشان داد که مدل شبکه عصبی با دقت ۸۵٪ و خطای مربعات میانگین (MSE) ۰.۰۲ بهترین عملکرد را در پیش بینی گیر رشته حفاری دارد. مدل ماشین بردار پشتیبان نیز با دقت ۸۲٪ و MSE ۰.۰۳ عملکرد خوبی از خود نشان داد. این سیستم می تواند به طور موثری به کاهش زمان غیرمولد، کاهش هزینه های عملیاتی و افزایش ایمنی در صنعت نفت و گاز کمک کند.

کلیدواژه ها:

گیر رشته حفاری ، اطلاعات حفاری ، یادگیری ماشین