کیان کاتب صابر - گروه مهندسی نفت و گاز، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی،
خلیل شهبازی - استادیار دانشگاه صنعت نفت، اهواز، ایران
ناصر اخلاقی اولقی - گروه مهندسی نفت، دانشگاه آزاد اسلامی واحد امیدیه، امیدیه، ایران

برای سرعت دادن هرچه بیشتر به عملیات حفاری و در نتیجه کاهش هزینه ها و پایین آوردن هرچه بیشتر ریسک عملیات، با شبیه سازی و پیش بینی شرایط می توانیم به نتایج مطلوبی برسیم. برای این کار با برنامه نویسی و با توجه بهداده های چاه های حفاری شده به صورت انحرافی در میدان نفتی اهواز می توان به مقداری بهینه برای حفاری در این میدان رسید. با مدل سازی از شرایط چاه و پارامترهای حفاری با توجه به چاه های موجود در منطقه، به مدلی یکسان وقابل اعتماد و کاربردی خواهیم رسید. عوامل زیادی در نرخ نفوذ در سنگ موثر هستند. مدل سازی شبکه عصبی برای برقراری رابطه بین این متغیر های بسیار مهم میباشد و کمک بسیاری به فرایند بهینه سازی می کند.در این مقاله با استفاده از معادله بورگینه و یانگ به برقراری رابطه بین این متغیر ها می پردازیم. اولین مرحله در کاربرد شبکه عصبی ساخت مدل در نقطه ی شروع چاه است. شبکه عصبی داده ها را به سه قسمت تقسیم می نماید. 70 % داده ها را برای آموزش شبکه اختصاص می دهد. 15 % داده ها را برای اعتبار سنجی شبکه و 15 % داده ها را برای آنالیز حساسیت شبکه اختصاص داده شده است. باید به درصد خطایی پایین در محاسبات برسیم. چرا که بررسی ها باید در جهت کاهش ریسک و افزایش سرعت روند حفاری با مقادیری بهینه باشد. چرخه ی این فرایند تقریبا شامل 4-2میلیون محاسبه برای هر آنالیز است. تمامی این فرایند ها برای برقراری رابطه ای بین متغییر ها و نمودار ها تکرار می شوند.

شبکه عصبی- نرخ نفوذ در سنگ- وزن روی مته- بهینه سازی- سرعت دورانی رشته حفاری