بررسی مدل های داده محور مبتنی بر یادگیری ماشین در بهینه سازی افزایش نرخ سرعت حفاری در دکل های حفاری

حفاری دکل های دریایی به دلیل پیچیدگی های فنی، ریسک های محیطی و هزینه های بالای عملیاتی نیازمند راهکارهای موثر برای افزایش راندمان و کاهش زمان توقف است. هدف این پایان نامه بررسی و توسعه مدل های داده محور مبتنی بر یادگیری ماشین برای پیش بینی و بهینه سازی شاخص های عملکرد حفاری از جمله نرخ نفوذ و زمان های غیر مولد است. در پژوهش حاضر، داده های عملیات حفاری شامل سیگنال های زمانی و پارامترهای سنسوری وزن روی مته، سرعت چرخش، فشار پمپ و غیره گردآوری و پس از پیش پردازش و پاک سازی برای آموزش و ارزیابی چند دسته مدل شامل رگرسیون، درخت تصمیم، جنگل تصادفی، شبکه های عصبی و روش های بهینه سازی فراابتکاری مورد استفاده قرار می گیرند. معیارهای ارزیابی شامل ضریب تعیین (R۲)، خطای میانگین مربعات RMSE و معیارهای مرتبط با قابلیت تعمیم مدل خواهد بود. همچنین رویکردی برای بهینه سازی هایپرپارامترها و ارائه سیاست های عملیاتی پیشنهادی جهت افزایش بهره وری مطرح می شود. انتظار می رود خروجی تحقیق چارچوبی کاربردی برای پشتیبانی تصمیم گیری در عملیات حفاری دریایی فراهم آورد که منجر به کاهش هزینه ها، ارتقای ایمنی و بهبود کارایی عملیاتی گردد.

کلیدواژه ها:

یادگیری ماشین ، حفاری دریایی ، نرخ نفوذ (ROP) ، بهینه سازی داده محور ، پیش پردازش داده