مقايسه تخمين نرخ نفوذ و بهينه سازي پارامترهاي حفاري با استفاده از روش شبكه هاي عصبي و روابط تطابقي

rop prediction and drilling parameters optimization using artificial neural network model and rop prediction correlations

براساس داد ههاي ميداني، رو شهاي فراواني براي كاهش هزين ههاي حفاري در چا ههاي نفت و گاز وجود دارد. يكي از اين روشها، دستيابي به حداكثر سرعت حفاري با بهينه كردن پارامترهاي حفاري است. پارامترهاي فراواني بر سرعت حفاري تاثير دارند. بنابراين توسعه يك رابطه منطقي بين اين پارامترها براي انتخاب نرخ نفوذ 4 لازم است. در اي نحالت، شبك ههاي عصبي مصنوعي مي تواند در برقراري ارتباط بين اين متغيرها سودمند باشد. در مطالعات، روابط بسياري براي تخمين نرخ نفوذ وجود دارد. در اين مقاله، بعد از محاسبه و تخمين مدل مناسب، از داد ههاي ميداني جهت اعتبا رسنجي استفاده شده است. اين مطالعه مقايس هاي است بين نتايج حاصل از شبكه مصنوعي و روابط تجربي موجود جهت تخمين مقدار نرخ نفوذ مناسب كه منجر به كاهش زمان حفاري و در نتيجه كاهش هزين ههاي حفاري براي چا ههاي مجاور مي شود

According to field data, there are several methods to reduce the drilling cost of new oil and gas wells. One of these methods is the achievement of maximum Rate of Penetration (ROP) by drilling parameters optimization. There are too many parameters which affect ROP. Therefore, developing a logical relationship among these parameters for proper ROP selection is extremely necessary and complicated. In such a case, Artificial Neural Networks (ANN) can be helpful in recognizing complex connections between these variables. In literature, there are also various correlation models for ROP prediction. It is desiredto calculate and predict the proper model of ROP and then verify the validity of each by comparing with the field data. This study presents comparison of ANN and correlation models in optimizing the drilling parameters, predicting the proper penetration rate and eventually reducing the drilling cost for future wells