بهبود مدل پیش بینی رفتار رئولوژیکی سیال حفاری با استفاده از شبکه عصبی

با توجه به تاثیر پارامترهای فراوان بر روی رفتار رئولوژیک سیال حفاری، تعیین دقیق رفتار رئولوژیک سیال حفاری حائز اهمیت است. ازاین رو حذف روش های آزمایشگاهی که به صورت سعی و خطا انجام می گیرد و نیاز به استفاده از روش های هوشمند ازجمله شبکه های عصبی مصنوعی، به شدت احساس می شود. در تحقیق حاضر برای پیش بینی خواص رئولوژیکی سیال حفاری، شامل پلاستیک ویسکوزیته، ویسکوزیته قیف و نقطه تسلیم از اطلاعات چهار چاه مربوط به یک میدان نفتی شامل ۲۴۰ ردیف اطلاعات (۴۰۸۰ داده) جهت آزمون و ۲۳ ردیف (۳۹۱ داده) جهت تست مدل استفاده شد. پارامترهای موجود در این اطلاعات شامل ۱۴ نوع مواد سیال، عمق، نوع سازند و دما (جمعا ۱۷ پارامتر) است. سپس با استفاده از شبکه های عصبی مصنوعی، ابتدا ساختارهای مختلف شبکه عصبی جهت پیش بینی خواص رئولوژیکی سیال حفاری ساخته شد و درنهایت سه مدل بهینه مجزا برای ویسکوزیته پلاستیک، ویسکوزیته قیف  و نقطه تسلیم طراحی شد که در هر سه مدل، شبکه دارای دو لایه با ۱۷ ورودی و یک خروجی در لایه آخر بوده و تعداد نرون های لایه پنهان، ۱۶ نرون برای مدل ویسکوزیته پلاستیک ۱۹ نرون برای مدل ویسکوزیته قیف و مدل نقطه تسلیم تعیین شد. ضرایب همبستگی آزمون این مدل ها در نهایت، ۹۹/۰ برای مدل ویسکوزیته پلاستیک، ۹۸/۰ برای مدل نقطه تسلیم و ۹۷/۰ برای ویسکوزیته قیف به دست آمد که نشان دهنده انطباق بالای نتایج آزمون با واقعیت بود. درنهایت نیز مدلی آماری با استفاده از نرم افزار SPSS ساخته شد.