مدل‌سازی افزایش سرعت و نرخ نفوذ حفاری در سنگ با کمک شبکه فازی عصبی
محورهای موضوعی : فصلنامه زمین شناسی محیط زیست
ناصر عبادتی
1
(
دانشگاه آزاد اسلامی واحد اسلامشهرگروه زمین شناسی، واحد اسلام شهر، دانشگاه آزاد اسلامی، اسلامشهر، ایران
)
روناک پروانه
2
(
انستیتو مهندسی نفت، دانشکده مهندسی شیمی، دانشگاه تهران، تهران، ایران
)
محراب عزیزی
3
(
1گروه مهندسی نفت، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران
)
کلید واژه: شبکه عصبی, نرخ نفوذ در سنگ, وزن روی مته, بهینه سازی, سرعت دورانی رشته حفاری,
چکیده مقاله :
براساس داده های میدانی، روش های مختلفی برای کاهش هزینه حفاری چاه ها وجود دارد. یکی از این روش ها بهینه سازی پارامترهای حفاری برای به دست آوردن حداکثر نرخ نفوذ (ROP) موجود است. پارامترهای بسیار زیادی بر روی ROP تاثیر می گذارند. هدف اصلی انجام این تحقیق کاربرد شبکه های هوشمند برای نرخ نفوذ حفاری است که بدین منظور داده های ورودی چاه اعم از عمق حفاری، مدت زمان عملیات حفاری، سرعت گردش مته، وزن روی مته، وزن و حجم گل حفاری به عنوان داده ورودی و نرخ نفوذ حفاری به عنوان داده خروجی از یکی از میادین واقع در خلیج فارس تهیه شد. 70 درصد داده ها برای آموزش شبکه، 15 درصد داده ها برای اعتبار سنجی و 15 درصد داده ها برای آنالیز حساسیت اختصاص داده شده است. طبق نتایج به دست آمده مشخص شد که با استفاده از این ابزار رابطه خوبی با ضریب همبستگی کل (96/0) برای پیش بینی نرخ نفوذ با استفاده از شبکه عصبی به دست می آید که این نشان دهنده این است که مدل از اعتبار خوبی برخوردار است. همچنین با استفاده از تکرار محاسبات در تکرار 12 بهترین مقدار به دست آمد که این مقدار برابر 24/14 درصد می باشد.
Based on field data, there are various methods to reduce the cost of drilling wells. One of these methods is to optimize the drilling parameters to obtain the maximum rate of penetration (ROP). Many parameters affect ROP. The main purpose of this research is the use of smart networks for the penetration rate of drilling, for this purpose, well input data including drilling depth, duration of the drilling operation, speed of rotation of the drill, weight on the drill, weight and volume of drilling mud as input data. And the drilling penetration rate was prepared as output data from one of the fields located in the Persian Gulf. 70% of data is allocated for network training, 15% of data for validation and 15% of data for sensitivity analysis. According to the obtained results, it was found that using this tool, a good relationship with the total regression coefficient (0.96) is obtained for predicting the penetration rate using a neural network. Also, by repeating the calculations in repetition 12, the best value was obtained, which is equal to 14.24
_||_
