محسن طالب کیخاه - کارشناس ارشد مهندسی نفت، دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر، تهران
علیرضا نصیری - گروه پژوهش و فناوری های حفاری و تکمیل چاه، پژوهشگاه صنعت نفت، تهران
زهرا صادق طبقی - دانشجوی دکتری مهندسی نفت، دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر، تهران

پدیده هرزروی همواره به عنوان یک معضل در صنعت نفت مطرح بوده است. وقوع هرزروی ممکن است مقادیر اندک تا بسیار زیاد سیال حفاری را شامل شود. علاوه بر از دست رفتن سیال حفاری، اتلاف زمانی نیز مسئله مهمی است چراکه تعویق در عملیات حفاری را به دنبال دارد که خود سبب رشد فزاینده هزینه های حفاری می گردد. همین عوامل بررسی همه جانبه این مسئله را به امری اجتناب ناپذیرمبدل می کند. در این مقاله کوشش شده است تا با استفاده از ابزارهای هوش مصنوعی مقدار هرزروی در میدان نفتی مارون پیش بینی شود. بدین منظور با استفاده از ۲۶۶۶ داده حفاری، مدل هایی توسط شبکه عصبی پرسپترون چندلایه، روش سازماندهی گروهی داده ها، شبکه عصبی با توابع پایه شعاعی، ماشین های بردار پشتیبان، سیستم استنتاج عصبی-فازی انطباقی و درخت تصمیم گیری ساخته شدهاست. از داده های طول حفاری، اندازه چاه، وزن روی مته، دبی پمپ، فشار پمپ، گرانروی، تنش برشی در دور ۶۰۰ ، تنش برشی در دور ۳۰۰ ، مقاومت ژل، زمان حفاری، عمق حفاری، درصد مواد جامد به دست آمده از تست ریتورت، چرخش مته، نوع سازند، فشار منفذی، فشار سیال حفاری، فشار شکست سازند، شمال جغرافیایی و شرق جغرافیایی به عنوان ورودی ساخت مدل ها استفاده و داده های اندازه گیری مقدار هرزروی نیز به عنوان خروجی مدل منظور شده است. نتایج حاصل از پیش بینی مدل های مذکور توسط پارامترهای آماری با یکدیگر مقایسه شده است. بررسیها نشان می دهد که تمامی این روش ها در تخمین مقادیر هرزروی تا حد مناسبی موفق عمل کرده اند، اما مدل درخت تصمیم گیری نتایج دقیق تری داشته است.

هرزروی، میدان نفتی مارون، شبکه عصبی پرسپترون، سیستم استنتاج عصبی-فازی انطباقی، درخت تصمیم گیری.