بهينه سازي اثرگذاري سيال حفاري بر مبناي مكانيك سيالات در فرآيند حفاري چاه هاي يكي از ميادين جنوب غرب ايران

Optimization of drilling fluid effectiveness based on fluid mechanics in well drilling process of one of the squares in the southwest of Iran

سرعت عمليات حفاري اثر مستقيمي بر روي هزينه‌هاي حفاري دارد و پارامترهاي مختلفي ازجمله خواص سيال حفاري و هيدروليك مته بر روي آن مؤثر است. بنابراين استفاده از مدل‌هايي با در نظر گرفتن پارامترهاي مختلف كه دقت بالا داشته باشند اهميت فراواني دارد. از آنجايي كه ارتباط اين پارامترها با يكديگر پيچيده است نياز به يك روش محاسباتي قابل اجرا دارد. شبكه عصبي مصنوعي يك روش محاسباتي نوين براي يادگيري است كه براي پيش بيني پاسخ‌هاي خروجي سيستم‌هاي پيچيده استفاده مي‌گردد. در اين مقاله شبكه عصبي به منظور پيش بيني نرخ نفوذ مته با در نظرگيري پارامترهاي سيال حفاري مورد استفاده قرار مي‌گيرد و از مدل‌هاي هوش مصنوعي چندلايه و پايه شعاعي براي تشخيص و پيش‌بيني سرعت حفاري به عنوان پارامتر خروجي استفاده شده است.

The speed of drilling operations has a direct effect on drilling costs and various parameters such as drilling fluid properties and hydraulic drilling affect it. Therefore, it is very important to use models with different parameters that have high accuracy. Because the relationship between these parameters is complex, a computational method is needed. Artificial neural network is a new computational method for learning that is used to predict the output responses of complex systems. In this paper, the neural network is used to predict the drill penetration rate by considering the parameters of drilling fluid and multilayer artificial intelligence models and radial base are used to detect and predict drilling speed as output parameters.