بهینه سازی نرخ نفوذ در سنگ در چاه های جهتدار با استفاده از شبکه عصبی مصنوعی

از آنجایی که فرایند عملیات حفاری در صنایع بالادستی نفت از جایگاه ویژه ای برخوردار بوده و می‌توان از آن به عنوان یکی از پر هزینه‌ترین فعالیت بالادستی نام برد، لذا راندمان و سرعت حفاری بسیار مورد توجه است. بی شک عوامل زیادی در عملکرد دکل‌های حفاری اعم از عوامل فنی و اقتصادی و سیاسی می‌تواند تأثیر فراوانی در این زمینه داشته باشند. ولی باتوجه به آنکه بسیار در نتیجه این کار مهم می‌باشد در این تحقیق سعی شده پارامترهای کلیدی و اساسی در عملکرد دکل‌های حفاری بررسی گردد.. برای این کار با برنامه نویسی و با توجه به داده های چاه های حفاری شده به صورت انحرافی در میدان نفتی اهواز می توان به مقداری بهینه برای حفاری در این میدان رسید. با مدل سازی از شرایط چاه و پارامترهای حفاری با توجه به چاه های موجود در منطقه، به مدلی یکسان و قابل اعتماد و کاربردی خواهیم رسید. عوامل زیادی در نرخ نفوذ در سنگ موثر هستند. مدل سازی شبکه عصبی برای برقراری رابطه بین این متغیر های بسیار مهم می‌باشد و کمک بسیاری به فرایند بهینه سازی می کند. در این مقاله با استفاده از معادله بورگینه و یانگ به برقراری رابطه بین این متغیر ها می پردازیم. اولین مرحله در کاربرد شبکه عصبی ساخت مدل در نقطه ی شروع چاه است. شبکه عصبی داده ها را به سه قسمت تقسیم می نماید. 70% داده ها را برای آموزش شبکه اختصاص می دهد. 15% داده ها را برای اعتبار سنجی شبکه و 15% داده ها را برای آنالیز حساسیت شبکه اختصاص داده شده است. باید به درصد خطایی پایین در محاسبات برسیم. چرا که بررسی ها باید در جهت کاهش ریسک و افزایش سرعت روند حفاری با مقادیری بهینه باشد. چرخه ی این فرایند تقریبا شامل 4-2 میلیون محاسبه برای هر آنالیز است. تمامی این فرایند ها برای برقراری رابطه ای بین متغییر ها و نمودار ها تکرار می شوند.

کلیدواژه ها:

شبکه عصبی ، نرخ نفوذ در سنگ ، وزن روی مته ، بهینه سازی ، سرعت دورانی رشته حفاری