ارائه مدلی برای پیش بینی عملکرد حفاری با استفاده از الگوریتم ماشین بردار پشتیبان در میدان نفتی چشمه خوش
- سال انتشار: 1397
- محل انتشار: سومین همایش بین المللی نفت، گاز، پتروشیمی و HSE
- کد COI اختصاصی: OGPH03_041
- زبان مقاله: فارسی
- تعداد مشاهده: 572
نویسندگان
کارشناسی ارشد مهندسی نفت، گروه حفاری و استخراج، دانشگاه آزاد اسلامی، دانشکده مهندسی نفت، واحد علوم و تحقیقات، تهران، ایران
استاد راهنما، گروه مهندسی معدن، واحد قائم شهر، دانشگاه آزاد اسلامی، قائم شهر، ایران
چکیده
به دلیل آنکه صنعت حفاری از جمله پر هزینه ترین صنعت ها محسوب می شود، لذا لازم است در زمان و هزینه حفاری صرفه جویی کرد و راهکارهایی برای آن در نظر گرفت. در عملیات حفاری با انتخاب درست ابزار مورد استفاده و همچنین پیش بینی دقیق و به موقع پارامترها و مشکلات احتمالی می توان این عملیات را در زمان و هزینه کمتر انجام داد. تحلیل اطلاعات میدان، یکی از راه های توسعه و بهبود عملیات حفاری به شمار می روند. در صنعت حفاری، برای شناسایی مشکل و یا بهبود عملیات، عموما از آزمون های آزمایشگاهی و روابط تجربی استفاده می شوند و یا اینکه برای رفع مشکل از تجربیات گذشته استفاده می شود. برای بهینه سازی حفاری سازند، با استفاده از داده های حفاری، یک معادله که نشان دهنده نرخ نفوذ حفاری در مخزن میدان نفت چشمه خوش است، ارائه می گردد. در این مقاله با استفاده از روش ماشین بردار پشتیبان و داده های حفاری میدان چشمه خوش اقدام به ارائه مدلی جهت پیش بینی سرعت حفاری شده است. نتایج بدست آمده حاکی از آن است که می توان با استفاده از روش ماشین بردار پشتیبان، ارتباط منطقی و قابل اعتمادی را میان پارامترها که شامل وزن روی مته، گشتاور، سرعت چرخش مته، عمق چاه و نرخ نفوذ بدست آورند که در این پژوهش، برای ارزیابی خصوصیات اصلی مدل بدست آمده از داده های چاه های مجاور استفاده شده است. با استفاده از نتایج بدست آمده، در مدل ارائه شده مجذور ضریب همبستگی یا همان ضریب تعیین آن 0/98 و میزان خطا متناسب با خطای صفر برابر با 0/0004 بدست آمد، در حالیکه مقدار مشابه آن در تحلیل آماری مقدار ضریب همبستگی 0/85 و ضریب تعیین برابر با 0/82 می باشد. مدل ارائه شده در این پایانه الگوریتم LSSVM می باشد که این مدل دارای همبستگی با دقت بالای مدل در پیش بینی نرخ نفوذ مته است. این همپوشانی میان داده های پیش بینی شده توسط الگوریتم های یادگیری ماشین و داده های آزمایشگاهی را می توان به رابطه ی بسیار قوی میان پارامترهای ورودی و خروجی که در این گزارشات روزانه حفاری آمده است، نسبت داد.کلیدواژه ها
نرخ نفوذ، عملکرد حفاری، الگوریتم ماشین بردارپشتیبان، میدان نفتی چشمه خوشمقالات مرتبط جدید
- مروری بر فرآیند حذف یون های سرب (II) از محلول های آبی به روش جذب سطحی با استفاده از نانولوله های کربنی
- بررسی تغییر ترشوندگی سطح ماسه سنگ در مجاورت با سوسپانسیون پایه آبی ذرات ژل
- مطالعه آزمایشگاهی برهمکنش آب-نفت در روش ترکیبی آب کم شور-ذرات ژل پیش ساخته
- مروری بر نانوسیالات و بررسی کاربرد های آنها
- روش های پیشرفته جداسازی آب از نفت خام
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.