CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

Application of Artificial Neural Network for Prediction of Lost Circulation

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۲ | تعداد نمایش خلاصه: ۱۹۷ | نظرات: ۰
سال انتشار: ۱۳۹۰
کد COI مقاله: ICHEC07_578
زبان مقاله: انگلیسی
حجم فایل: ۶۷۸.۱۵ کلیوبایت (فایل این مقاله در ۱۲ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۲ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله Application of Artificial Neural Network for Prediction of Lost Circulation

  b vakilinia - Petroleum and Gas Engineering Department, Science and Research Branch, Islamic Azad University, Tehran, Iran
  s Jamshidi - Chemical and Petroleum Engineering Department, Sharif University of Technology, Tehran, Iran

چکیده مقاله:

Drilling fluid is one of the most important parts of drilling operation, which takes about 30% of the total operation cost. Lost circulation is the uncontrolled flow of the whole or a part of the drilling fluid into the formation and there are two types of this phenomenon: Induced and Natural fluid loss. Since lost circulation may cause a lot of problems such as loss of drilling time and excess in cost, formation damage, stuck pipe, flow of oil and gas into the well (kick) and blowout, it can be mentioned as one of the most serious problems that can arise during drilling operation. Therefore, detecting the amount and the type of lost circulation can contribute to the elimination of these problems.Artificial Neural Network (ANN) is a parallel system and a mathematical model of biological neural networks and human brain neurons, which is capable of learning. It discovers quickly the complex relationships between parameters with very little error and provides a reasonable answer.In this study an accurate diagnosis of different types of lost circulation and the amount of each type, specially induced one, which has been impossible so far, is estimated by using an ANN. The considered effective drilling parameters of mud loss which were used in ANN are mud weight, mud viscosity, yield point, gel strength, solid content, rate of pump and pump pressure, obtained from 15 wells drilling information of one of the Iranian gas fields, 10 wells used for network training and the other 5 wells used for testing. The network has the R-square of 0.9737, 0.9733 and 0.9779 for training, validation and testing, respectively. According to the obtained errors, by comparing the network results and drilling information, ANN turns out to be a reliable tool for predicting the lost circulation.

کلیدواژه‌ها:

Drilling fluid, Lost Circulation, Natural loss, Induced loss, Artificial Neural Network, R_square.

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
http://www.civilica.com/Paper-ICHEC07-ICHEC07_578.html
کد COI مقاله: ICHEC07_578

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
vakilinia, b & s Jamshidi, ۱۳۹۰, Application of Artificial Neural Network for Prediction of Lost Circulation, هفتمین کنگره ملی مهندسی شیمی, جزیره کیش, انجمن مهندسی شیمی ایران (IACHE), http://www.civilica.com/Paper-ICHEC07-ICHEC07_578.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (vakilinia, b & s Jamshidi, ۱۳۹۰)
برای بار دوم به بعد: (vakilinia & Jamshidi, ۱۳۹۰)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره 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.