بهینه سازی اثرگذاری سیال حفاری بر مبنای مکانیک سیالات در فرآیند حفاری چاه های یکی از میادین جنوب غرب ایران

محورهای موضوعی : مکانیک سیالات

مهدی منجزی ¹ , کورس نکوفر ² , سید آرش سید شمس طالقانی ³ , مریم السادات قوامی ماسوله ⁴

1 - میدان بهارستان خیابان صفی علیشاه کوچه تهرانی کوچه جلالی پلاک 18 طبقه دوم
2 - دانشگاه آزاد اسلامی، واحد چالوس، چالوس، ایران
3 - میدان بهارستان خیابان صفی علیشاه کوچه تهرانی کوچه جلالی پلاک 18 طبقه دوم
4 - خیر

تاریخ دریافت : 1398/07/25 تاریخ پذیرش : 1398/12/18 تاریخ انتشار : 1399/02/10

کلید واژه: شبکه, سرعت, عملیات, عصبی, حفاری, چند, لایه,

چکیده مقاله :

سرعت عملیات حفاری اثر مستقیمی بر روی هزینه‌های حفاری دارد و پارامترهای مختلفی ازجمله خواص سیال حفاری و هیدرولیک مته بر روی آن مؤثر است. بنابراین استفاده از مدل‌هایی با در نظر گرفتن پارامترهای مختلف که دقت بالا داشته باشند اهمیت فراوانی دارد. ازآنجاییکه ارتباط این پارامترها با یکدیگر پیچیده است نیاز به یک روش محاسباتی قابل اجرا دارد. شبکه عصبی مصنوعی یک روش محاسباتی نوین برای یادگیری است که برای پیش بینی پاسخ‌های خروجی سیستم‌های پیچیده استفاده می‌گردد. در این مقاله شبکه عصبی به منظور پیش بینی نرخ نفوذ مته با در نظرگیری پارامترهای سیال حفاری مورد استفاده قرار می‌گیرد و از مدل‌های هوش مصنوعی چندلایه و پایه شعاعی برای تشخیص و پیش‌بینی سرعت حفاری به عنوان پارامتر خروجی استفاده شده است.

چکیده انگلیسی:

The speed of drilling operations has a direct effect on drilling costs and various parameters such as drilling fluid properties and hydraulic drilling affect it. Therefore, it is very important to use models with different parameters that have high accuracy. Because the relationship between these parameters is complex, a computational method is needed. Artificial neural network is a new computational method for learning that is used to predict the output responses of complex systems. In this paper, the neural network is used to predict the drill penetration rate by considering the parameters of drilling fluid and multilayer artificial intelligence models and radial base are used to detect and predict drilling speed as output parameters.