محمد آب کناری - کارشناسی ارشد مهندسی نفت، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد هاشمی رفسنجانی، تهران، ایران
سحر لجم اورک - کارشناسی ارشد زمین شناسی، دانشکده علوم زمین، دانشگاه تحصیلات تکمیلی علوم پایه زنجان، زنجان، ایران

عملیات حفاری چاه های نفت یا گاز بسیار گران است. بهینه سازی بهره وری حفا ری و افزایش سرعت نفوذ (ROP) باعث کاهش هزینهکلی عملیات حفاری خواهد شد. بر ای افزایش عملکرد حفا ری از روشه ای مختلف استفاده شده است از جمله روشه ای تحلیلی و تجربی. بااین حال، اکثر مدل های موجود ، هنگامی که برای عملیات حفاری در زمان واقعی اقدام می کنند ، محدودیت هایی دارند. این مطالعهیک رویکرد جدید بر ای ارزیابی و بهبود عملیات حفا ری برای برنامه ه ای زمان واقعی ارائه می دهد. هفت مدل ROP با استفاده از روششبکه عصبی مصنوعی (ANN) ساخته شد. مدل های ANN با استفاده از داده های میدانی واقعی (۲۰،۰۰۰ مجموعه داده) که شاملرکورد در زمان واقعی پارامترهای حفاری سطح مانند سرعت نفوذ (ROP)، وزن بر مته (WOB)، گشتاور، سرعت چرخش (RPM) وسرعت جریان گل (Q). مدل های مبتنی بر شبکه ANN قادر به ارائه تخمین دقیق برای مشخصات کامل ROP هستند. پس از آن،ROP پیش بینی شده با MSE محاسبه شده به منظور بهینه سازی عملکرد حفاری همراه شد. علاوه بر این ، و برای اولین بار، یکنسبت جدید (ROP / MSE) پیشنهاد شده است که می تواند برای ارزیابی عملیات حفاری در زمان واقعی استفاده شود. مشخصاتجدیدی از نسبت ROP / MSE می تواند همراه با پارامتر حفا ری نمایش داده شود تا ارزیابی سریع و مطمئن تری بر ای عملیات حفاریدر حال انجام فراهم شود. نسبت پیشنهادی شامل تاثیرات اولیه حفاری است که عبارتند از سرعت حفاری (ROP) و انرژی حفاری موردنیاز (MSE). همچنین، هفت مدل مبتنی بر شبکه عصبی ، که در این مقاله توسعه یافته اند ، می توانند مشخصات کامل ROP را بامیانگین خط ای درصد مطلق (AAPE) حدود ۷.۹ ٪ و ضریب همبستگی حدود ۰.۹۲ پیش بینی کنند.

عملکرد حفاری، نرخ نفوذ حفاری، انرژی خاص مکانیکی، شبکه عصبی مصنوعی