دوره 1398، شماره 173 - ( 12-1398 )                   جلد 1398 شماره 173 صفحات 4-12 | برگشت به فهرست نسخه ها

XML Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

برنجکار احسان. تخمین نرخ نفوذ حفاری با استفاده از ماشین یادگیری افراطی و شبکه های عصبی پایه شعاعی. ماهنامه علمی اکتشاف و تولید نفت و گاز. 1398; 1398 (173) :4-12

URL: http://ekteshaf.nioc.ir/article-1-2769-fa.html


چکیده:   (1603 مشاهده)
تخمین نرخ نفوذ (ROP)، یکی از اقدامات اولیه و بسیار مهم به منظور بهینه‌سازی عملیات حفاری و مدیریت چاه‌های آینده است. به‌دلیل پیچیدگی میان متغیرهای تاثیرگذار بر نرخ نفوذ، تخمین دقیق این فاکتور کلیدی به‌وسیله مدل‌های ریاضی مرسوم امکان‌پذیر نیست. هدف از این مطالعه، استفاده از دو روش شبکه‌های عصبی پایه شعاعی بهینه شده با الگوریتم ازدحام ذرات (PSO-RBFNN) و ماشین یادگیری افراطی (ELM)، برای تخمین نرخ نفوذ است. RBFNN، یکی از روش‌های مدل‌سازی در تخمین توابع غیرخطی به شمار می‌رود، که به‌دلیل داشتن تنها یک لایه پنهان، محاسبات و پیچیدگی بسیار کمتری دارد. در حالی‌که، روش ELM یک روش تعمیم‌یافته از شبکه‌های عصبی پرسپترون چند لایه (MLP) است که با ایجاد تغییراتی در ساختار و محاسبات لایه پنهان، سرعت و دقتی بالاتر را برای تقریب فراهم آورده است. در این پژوهش، از داده‌های واحد نمودارگیری گلِ (MLU) جمع‌آوری شده از یک چاه حفاری شده واقع در میدان نفتی رگ سفید در جنوب‌غربی ایران استفاده شده است. این داده‌ها شامل نُه متغیر مستقل (پارامترهای عملیات حفاری) و یک متغیر وابسته (نرخ نفوذ) می‌باشد که پس از کنترل نویز و حذف نقاط دور افتاده، به عنوان ورودی مدل‌ها استفاده شدند. دقت تقریب مدل‌های توسعه داده شده، به‌وسیله معیارهای آماری مختلفی با یکدیگر مقایسه شدند که شامل ضریب تعیین ))، ضریب رگرسیون(R)، خطای میانگین مربعات (MSE)، خطای جذر میانگین مربعات (RMSE) و میانگین مطلق خطا (MAE) است. بر اساس نتایج این مطالعه، نشان داده شد که هر دو مدل، تخمین مناسبی را از نرخ نفوذ ارائه می‌کنند. با این‌حال ثابت شد که مدل ELM، الگوی میان داده‌های ورودی را بهتر تشخیص داه و می‌تواند به‌عنوان یک مدل کارآمد برای تخمین نرخ نفوذ استفاده شود. همچنین ثابت شد که کنترل نویز داده‌ها یک اقدام موثر و ضروری قبل از فرآیند مدل‌سازی است.
متن کامل [PDF 1039 kb]   (434 دریافت)    
نوع مطالعه: گزارش مورد | موضوع مقاله: تحلیلی
دریافت: 1398/12/26 | پذیرش: 1398/12/26 | انتشار: 1398/12/26

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به ماهنامه علمی- ترویجی اکتشاف و تولید نفت و گاز می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2020 All Rights Reserved | Journal of Exploration & Production Oil & Gas

Designed & Developed by : Yektaweb