يك روش جديد براي بهينه سازي پارامترهاي حفاري با استفاده از شبكه عصبي مصنوعي، الگوريتم تبريد شبيه سازي شده و انرژي ويژه مكانيكي.

A New Approach for Optimization of Drilling Parameters Using Artificial Neural Network,Simulated Annealing Algorithm and Mechanical Specific Energy

حفاري با بازده بالا و هزينه كم يكي از فاكتورهاي موثر بر موفقيت در توسعه ميادين نفت و گاز مي¬باشد. يكي از فاكتورهاي موثر بر موفقيت يا عدم موفقيت عمليات حفاري انرژي ويژه مكانيكي در حين حفاري است. در اين مطالعه، پارامترهاي بهينه حفاري بر اساس انرژي ويژه مكانيكي به دست آمدند. با تركيب مدل سرعت حفاري با رابطه انرژي ويژه مكانيكي كه نخستين بار توسط تيله در سال 1965 ارايه شد، مدلي براي پيش¬بيني انرژي ويژه مكانيكي ساخته شد. اين مدل مي¬تواند انرژي ويژه مكانيكي را بر اساس پارامترهاي حفاري پيش¬بيني كند. از آن¬جا كه مدل كامل و دقيقي براي پيش¬بيني سرعت حفاري وجود ندارد و مدل¬هاي رياضي موجود داراي خطاي بالايي هستند از شبكه عصبي مصنوعي جهت ساخت مدل سرعت حفاري استفاده شد. وزن روي مته، سرعت چرخش مته، دبي جريان گل، وزن گل و عمق عمودي واقعي به عنوان پارامترهاي ورودي و سرعت حفاري به عنوان خروجي مدل ساخته شده مي¬باشند. هدف پيدا كردن پارامترهاي بهينه حفاري است كه انرژي ويژه مكانيكي در طول حفاري را حداقل مي¬كنند. براي اين منظور از الگوريتم تبريد شبيه¬سازي شده براي تعيين مقدار بهينه پارامترهاي حفاري استفاده شد. نتايج اين بررسي نشان مي¬دهند كه تركيبي از شبكه عصبي، انرژي ويژه مكانيكي و الگوريتم تبريد شبيه¬سازي شده كارايي بالايي در تعيين پارامترهاي بهينه حفاري و حداقل كردن انرژي ويژه مكانيكي دارد.

Drilling in an effective and cost efficient manner is critical to the successful development of an oil field. Mechanical Specific Energy (MSE) is one of the most important factors affecting the success of a drilling operation. In this study we optimized drilling parameters based on minimum mechanical specific energy. The MSE model for the formation is constructed by combining the rate of penetration (ROP) model and MSE equation. This model can be used for prediction of MSE based on drilling parameters in the formation during drilling. For calculation of MSE, the ROP should be predicted. Because of complex downhole conditions there is no acceptable universal model that accurately describes ROP. The ROP model is constructed using artificial neural network (ANN). Drilling parameters such as weight on bit, rotary speed, flow rate, mud weight and true vertical depth are considered as input parameters and rate of penetration is the output of ANN. The goal is to find drilling parameters that minimize mechanical specific energy during drilling operation. Simulated Annealing Algorithm (SAA) is used for optimizing the parameters of proposed MSE model. Results show that a combination of artificial neural network, Simulated Annealing Algorithm and mechanical specific energy can be used for optimization of drilling parameters and determining the optimal drilling rate.