تخمين گشتاور روي مته در عمليات حفاري چاه‌هاي نفت و گاز با استفاده از شبكه عصبي مصنوعي

Estimation of torque on bit in oil and gas well drilling operation using artificial neural network

گشتاور روي مته به‌طور مستقيم متأثر از اندركنش مته و سنگ است و افزايش آن منجر به افزايش انرژي ويژه و لرزش رشته حفاري مي‌شود. هدف اين تحقيق شناخت پارامترهاي تأثيرگذار بر گشتاور و توسعه مدل‌ هوش مصنوعي پيش‌بيني آن است. به‌اين منظور داده‌هاي چهار چاه حفر شده در يكي از ميادين نفتي ايران گردآوري شده و فرايند پيش‌پردازش شامل پاكسازي و آماده‌سازي داده به‌طور كامل بر روي آن انجام شده است. همچنين، پارامترهاي ژئومكانيكي نيز با استفاده از داده‌هاي پتروفيزيكي، تخمين زده شده است. داده‌هاي سه چاه به‌عنوان داده‌هاي مدلسازي (آموزش و تست) و يك چاه به‌عنوان داده‌هاي اعتبارسنجي در نظر گرفته شده است. به‌منظور انتخاب تعداد و تركيب بهينه پارامترها در تخمين گشتاور، از نسخه دوم الگوريتم ژنتيك با مرتب‌سازي نامغلوب (NSGA-II) تركيب شده با شبكه عصبي مصنوعي استفاده شده است. بر اين اساس پارامترهاي عمق، مدول يانگ، زاويه اصطكاك داخلي، چسبندگي، تنش افقي حداكثر، وزن روي مته، سرعت چرخش مته، نرخ جريان پمپ و مقدار ساييدگي مته انتخاب شدند. در نهايت شبكه عصبي مصنوعي چندلايه مفهومي (MLP) براي تخمين گشتاور به كار گرفته شده است. ارزيابي دقت مدل‌هاي مختلف به‌منظور دستيابي به ساختار بهينه شبكه نشان داد كه مدل شبكه عصبي با سه لايه پنهان و تعداد 14، 11 و 9 نورون به ترتيب در لايه‌هاي اول تا سوم با مقادير 24/0 و 28/0 براي مجذور ميانگين مربعات خطاها (RMSE) و مقادير 98/0 و 97/0 براي ضريب تعيين (R-square) به ترتيب بر روي داده‌هاي آموزش و آزمون، از دقت بالايي برخوردار بوده است. بررسي دقت مدل بر روي داده‌هاي اعتبارسنجي نيز نشان داد كه اين مدل با مقادير 36/0 و 7/0 به ترتيب براي RMSE و R-square قابليت تعميم قابل قبولي دارد. بنابراين استفاده از اين مدل‌ هوش مصنوعي در پيش‌بيني گشتاور روي مته براي ميدان مورد مطالعه در محدوده اطلاعات مدل‌سازي پيشنهاد مي‌شود.