كاربرد شبكه‌هاي عصبي مصنوعي در پيش‌بيني شدت ارتعاشات پيچشي سيستم‌هاي هدايت‌شونده دوار در حفاري انحرافي

RSS Torsional Vibration Severity Prediction in Deviated Drilling:An Application of Artificial Neural Networks

امروزه با توجه به كاربرد روزافزون سيستم‌هاي هدايت‌شونده دوار (Rotary Steerable Systems) در حفاري انحرافي، شناخت هرچه دقيق‌تر مكانيزم ديناميكي عملكرد آن‌ها به امري ضروري تبديل شده است، اين سيستم‌ها به‌گونه‌اي طراحي شده‌اند كه حداكثر مقاومت را در برابر ارتعاشات حفاري داشته باشند. ازآنجايي‌كه سيستم‌هاي هدايت‌شونده دوار ناگزير در معرض ارتعاشات پيچشي طولاني‌مدت قرار دارند، كه علاوه بر خرابي احتمالي، باعث كاهش نرخ نفوذ اين سيستم‌ها مي‌شوند. بنابراين، توانايي پيش‌بيني اين ارتعاشات در سيستم مذكور مي‌تواند نقش مؤثري در افزايش دقت بهينه‌سازي حفاري انحرافي، كاهش زمان غير مولد و هزينه‌هاي حفاري داشته باشد. الگوريتم‌هاي يادگيري ماشين مي‌توانند اين‌گونه تحولات را به‌صورت پويا و دقيق مورد بررسي قرار دهند. هدف از اين پژوهش نمايش دقت شبكه عصبي مصنوعي (ANN) در پيش‌بيني شدت ارتعاش پيچشي يا چسبش/لغزش (Stick/Slip) سيستم‌هاي هدايت‌شونده دوار مي‌باشد. نتايج حاصله بيانگر آن است كه با استفاده مناسب از يك شبكه عصبي مصنوعي مي‌توان تأثير پارامترهاي ديناميكي بر سيستم‌هاي هدايت‌شونده دوار را با دقت 9/89 % و خطاي كمتر از 05/0 رصد كرد. اين‌گونه نتايج مي‌توانند راهبرد مناسبي را براي صنايع وابسته فراهم آورد.

Nowadays, due to the increasing use of Rotary Steerable Systems (RSS) in deviated drilling, it has become necessary to know more precisely the dynamic mechanism of their operation, these systems are designed to resist drilling vibrations as much as possible, however, inevitably They are subject to long-term exposure to these vibrations. Torsional vibrations, in addition to possible failure, reduce the penetration rate of the rotary guided system, so the ability to predict these vibrations can play a significant role in the accuracy of deviation drilling optimization with these systems and reduce non-productive time and drilling costs, which machine learning algorithms have a high potential in These types of studies. The purpose of this study is to demonstrate the high accuracy of artificial neural network (ANN) in predicting the intensity of torsional vibration (stick/slip) of rotary steerable systems, which by choosing appropriate input and output parameters and optimal design, an artificial neural network with an accuracy of 89.9% and an error of less than 0.05 was yielded.