پیش بینی نرخ حفاری با استفاده از شبکه عصبی پایه شعاعی

یکی از جدیدترین مدل های حفاری، استفاده از شبکه های عصبی مصنوعی است. شبکه پایه شعاعی نسبت به شبکه های عصبی چند لایه طراحی ساده تری دارند. به گونه ای که تنها سه لایه دارند. شبکه های عصبی پایه شعاعی براساس توابع محلی پایه و تخمین تکراری تابع هستند. این نوع از شبکه ها از آموزش تحت نظارت استفاده می کند و از انواع شبکه های پیشرو است. در این مطالعه، مدلی بر پایه شبکه عصبی پایه شعاعی به منظور پیش بینی نرخ حفاری توسعه داده شده است. بیش از 300 داده سرعت حفاری از یک میادن ایران استفاده شد. به منظور پیش بینی مقدار سرعت حفاری با استفاده از داده های میدانی از چند پارامتر ورودی شامل عمق (متر)، قطر چاه (اینچ)، سرعت تزریق گل (بشکه بر دقیقه)، سرعت چرخش رشته حفاری (دور در دقیقه)، وزن روی مته (کیلو پوند)، گشتاور(کیلو فوت در پوند) وزن گل (پوند بر فوت مکعب)، ویسکوزیته قیف (ثانیه)، ویسکوزیته پلاستیک (سنتی پویز)، نقطه واروی (پوند بر 100 فوت مربع)، نسبت ژل 10 ثانیه بر 10 دقیقه و هرزروی سیال (سی سی در 30 دقیقه) استفاده شد. همچنین مقدار سرعت حفاری (متر بر ساعت) نیز به عنوان پارامتر خروجی مدل ها در نظر گرفته شد. دو پارامتر بیشینه تعداد نورون ها و عدد گسترش با استفاده از الگوریتم ازدحام ذرات مقادیر بهینه آنها 41 و 0/78 به دست آمد. مقدار ضریب همبستگی این مدل برابر با 0/9795 بدست آمد که مقدار بالایی است و نشان می دهد که مدل دارای دقت قابل قبولی است. نتایج این مطالعه نشان داد که شبکه عصبی پایه شعاعی می تواند برای پیش بینی سرعت حفاری مورد استفاده قرار بگیرد

کلیدواژه ها:

حفاری ، نرخ حفاری ، شبکه عصبی ، شبکه چندلایه