استفاده از روش های داده محور و هوش مصنوعی به منظور بهبود فرآیند حفاری در صنعت نفت

کاهش قیمت نفت طی دو سال گذشته شرکتهای نفتی را با چالش مواجه کرده است. قیمتهای پایین، آنها را ترغیب میکند تا به عنوان فعالیتهای عملیاتی فعلی و برنامه ریزی استراتژیک ، به دنبال راه حلهای جدید ابتکاری و راه هایی برای بهبود کارایی باشند . با توجه به هزینه های نسبتا سنگین حفاری، یکی از مهمترین اهداف، کاهش هزینه حفاری است. پیشبینی صحیح و قابل اعتماد تاثیر بسزایی در کاهش هزینه حفاری دارد. یکی از رایج ترین مشکلات در صنعت حفاری هرزروی سیال حفاری است که باعث آسیب های شدید، افزایش هزینه حفاری و همچنین موانع عملیاتی مانند بی ثباتی چاه و انفجار می شود. هرزروی سیال حفاری از جمله مشکلات عدیدهای است که صنعت حفاری با آن مواجه می باشد . همین موضوع سبب میشود تا شرکتهای نفتی سالیانه هزینه های هنگفتی جهت جلوگیری از بروز این مشکلات ناشی از آن متحمل شوند. مشکالاتی از قبیل: فوران چاه ۱،گیرلوله ها، صرف هزینه های گزاف جهت تامین این مواد، تاخیر در عملیات حفاری باشد. در این پژوهش از سه روش اصلی برای پیش بینی هرزروی سیال حفاری استفاده شد. روش شبکه عصبی تابع شعاع محور(RBF ) ۲، روش شبکه عصبی پرسپترون چند لایه (MLP)۳، و روش سیستم استنتاج فازی عصبی(ANFIS) ۴ هستند. این روشها هر کدام به تنهایی نتایج قابل قبولی ارائه دادند. با این وجود، تلفیق هر سه این روش ها با هم منجر به نتایج خروجی بسیار دقیق تری شد. این فرآیند که اصطلاحا روش هوش مصنوعی مرکب(CM) ۵ نامیده میشود، زیرا با توجه به داده های ورودی کافی از گذشته با استفاده از این روشها رابطه بین ورودی و خروجی بدست آمده است و چون تابع ثابت است میتوان ادعا کرد که روابط برای پیش بینی چاه های در حال حفر نیز مورد استفاده است.