آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,192 |
| تعداد مقالات | 8,579 |
| تعداد مشاهده مقاله | 6,989,858 |
| تعداد دریافت فایل اصل مقاله | 4,033,362 |
تخمین نرخ نفوذ حفاری بر اساس خواص مکانیکی سنگ، سیال حفاری و پارامترهای حفاری با استفاده از شبکه عصبی مصنوعی در میدان نفتی مارون | ||
| علوم و فنون سازندگی | ||
| دوره 4، شماره 2 - شماره پیاپی 12، تیر 1402 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| مسعود راه نما اصفهانی1؛ مهدی نظری صارم* 2 | ||
| 1دانشکده شیمی و نفت دانشگاه صنعتی شریف | ||
| 2استادیار، دانشگاه آزاد اسلامی واحد تهران مرکز | ||
| تاریخ دریافت: 25 تیر 1400، تاریخ بازنگری: 28 آبان 1402، تاریخ پذیرش: 23 خرداد 1403 | ||
| چکیده | ||
| نرخ نفوذ حفاری یکی از مهمترین پارامتر ها در بهینه سازی و کاهش هزینه های عملیات حفاری است. به منظور تخمین نرخ نفوذ حفاری با دقت بسیار بالا، در این پژوهش از روش های متداول هوش مصنوعی استفاده شده است. . 8 پارامتر ورودی شامل وزن روی مته، سرعت چرخش مته، فشار پمپ، وزن مخصوص سیال، ویسکوزیته پلاستیک سیال، نقطه تسلیم سیال، حجم شیل، تخلخل، مقاومت فشارشی تک محوره، مدول یانگ و چقرمگی به عنوان موثرترین پارامتر ها ی ورودی بر تخمین نرخ نفوذ حفاری انتخاب شده اند. با استفاده از این پارامتر ها، دو مدل شبکه عصبی مصنوعی MLP-BP و MLP-PSO به منظور تخمین نرخ نفوذ حفاری توسعه یافته اند و عملکرد آنها با یکدیگر مقایسه شده است. بررسی ها نشان می دهد که مدل شبکه عصبی مصنوعی آموزش داده شده با استفاده از الگوریتم تجمع ذرات PSO عملکرد بسیار بالاتری نسبت به مدل دیگر در تخمین نرخ نفوذ حفاری دارد که بیانگر قدرت این الگوریتم در بهینه سازی پارامتر های شبکه عصبی مصنوعی است. در ادامه عملکرد این مدل شبکه عصبی مصنوعی با مدل های تجربی متداول در تخمین نرخ نفوذ حفاری مقایسه شده است که نتایج نشان می دهد عملکرد شبکه عصبی مصنوعی در تخمین داده های واقعی حفاری نسبت به مدل های تجربی متداول بسیار بهتر است. مدل های تجربی علاوه بر نیاز به زمان بیشتر برای محاسبه پارامتر های تجربی آنها، دقت بسیار پایین تری نیز در تخمین نرخ نفوذ حفاری دارند. | ||
| کلیدواژه‌ها | ||
| نرخ نفوذ حفاری؛ شبکه عصبی مصنوعی؛ الگوریتم تجمع ذرات | ||
| عنوان مقاله [English] | ||
| Prediction of drilling rate of penetration based on rock mechanics properties, drilling fluid, and drilling parameters using artificial neural networks in Maroun oilfield | ||
| نویسندگان [English] | ||
| Masoud Rahnama Esfahani1؛ Mahdi Nazarisaram2 | ||
| 1Chemical and petroleum engineering department, , sharif university of technology | ||
| 2Department of Engineering, Islamic Azad University, Central Tehran Branch | ||
| چکیده [English] | ||
| Drilling rate of penetration is one of the most important parameters in optimization and cost reduction of drilling operation. In order to predict the rate of penetration with high precision, artificial intelligence methods are used in this paper. Drilling data of reservoir zone in one of the Maroun oilfield wells consisting of drilling operation parameters, drilling fluids properties, and rock mechanics properties, extracted from mud logging and petrophysics logs, is collected. 8 input parameters such as weight on bit, bit rpm, pump pressure, fluid specific gravity, fluid plastic viscosity, fluid yield point, shale volume, porosity, unconfined compressive strength, Young modulus and toughness are chosen as the most effective parameters on rate of penetration. Using these parameters, two artificial neural network models MLP-PSO and MLP-BP were developed to predict rate of penetration and their performances are evaluated. This study shows that artificial neural network trained by particle swarm optimization have better performance than other models in predicting rate of penetration. The performance of this model is compared with empirical models and the results show the superior performance of artificial neural network models over these models in predicting rate of penetration. Besides requiring more calculation time, these empirical models show lower precision in predicting drilling rate of penetration. | ||
| کلیدواژه‌ها [English] | ||
| drilling rate of penetration, Artificial neural networks, Particle swarm optimization | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 38 |
||