کاربرد شبکه های عصبی چندلایه و شعاعی در صنایع نفت باتوجه به علم مکانیک سیالات

هوش مصنوعی را هنگامی باید استفاده کرد که استفاده از شیوه های معمولی بسیار زمان بر باشد و یا با استفاده از این شیوه ها مسئله قابل حل نباشد. شبکه های عصبی قابلیت خوبی را برای تحلیل مسائل مربوط به بانک داده های تاریخچه گسترده نشان داده است. از کاربردهای شبکه عصبی در صنایع نفت، استفاده از آن در تعیین پارامترهای خطوط لوله دو فاز، تخمین ویژگی های مخزن مانند تخلخل، تراوایی و اشباع سیال با استفاده از نمودارهای چاه، طراحی بهینه شکاف هیدرولیکی، رسوب دهی آسفالتین، توصیف خواص سیالات مخزن، توصیف ناهمگنی مخزن، تعیین پارامترهای پتروفیزیکی و تفسیر داده های زمین لرزه ای است. شیپن، زاهدی، فراوش، عثمان، آرگوباست، فرانکلین و غربی شبکه عصبی را استفاده نموده و به نتایج جالب توجهی دست یافتند. در این پروژه برای مدل سازی سرعت حفاری از دو مدل به نام های شبکه عصبی چند لایه و شبکه عصبی پایه شعاعی استفاده شد. با توجه به پارامترهای آماری، اگرچه مدل های مختلف دقت قابل قبولی برای پیش بینی داده های سرعت حفاری حاصل از اطلاعات میدانی ارائه می دهند، میتوان نتیجه گرفت مدل شعاعی به دلیل مقدار ضریب همبستگی بالاتر و مقادیر میانگین خطای نسبی و جذر کمینه مربعات خطا پایین تر نسبت به مدل چندلایه دقیق تر است.

کلیدواژه ها:

هوش مصنوعی ، مدل سازی ، سرعت حفاری ، پارامترهای پتروفیزیکی