سال انتشار: ۱۳۹۰

محل انتشار: سومین همایش ملی تحقیقات نوین در شیمی و مهندسی شیمی

تعداد صفحات: ۶

نویسنده(ها):

مصطفی مرادی نژاد – گروه مهندسی نفت شرکت ملی حفاری ایران
احمد فردی پور – گروه مهندسی نفت دانشگاه صنعت نفت
سیاوش عاشوری – گروه مهندسی نفت دانشگاه صنعت نفت
عباس روحی – گروه مهندسی نفت شرکت ملی حفاری ایران

چکیده:

عملیات حفاری مشکلات زیادی را به همراه دارد که روش مقابله با این مشکلات نقش مهمی را درادامه عملیات حفاری دارا می باشد با رعایت پاره ای از نکات و عکس العملهای به موقع می توان از وقوع بعضی از این مشکلات جلوگیری به عمل آورد یا حداقل احتمال وقوع آنها را کاهش داد یکی از مهمترین مشکلات حفاری گیر لوله ها درچاه می باشد عوامل بسیار زیادی باعث بروز این پدیده می شوند در حال حاضر کارشناسان فقط از طریق روشهاش قدیمی و تجربی قادرند تا حدودی شرایط گیر لوله ها را تشخیص دهند درسالهای اخیر بحث شبکه های عصبی هوش مصنوعی Artificial Neural Networks رواج زیادی پیدا کرده است و با توجه به کارکردهای مفید اثبات شده آن ما را بر آن داشت تا از این ابزار درجهت پیش بینی گیر رشته حفاری حین عملیات حفاری چاه های نفت و گاز استفاده کنیم.دراین تحقیق از شبکه های عصبی نوع Feed Forward و آموزش شبکه براساس توزیع معکوس خطا Back propagation برای پیش بینی گیر رشته های حفاری ناشی از عوامل اختلاف فشاری تنگی چاه سازندهای شیلی و متحرک هیدورلیک ضعیف گل حفاری رئولوژی ضعیف گل حفاری آرایش نامناسب رشته حفاری کیک نامناسب گل حفاری به همراه تاثیرات عوامل زمین شناسی در حین عملیات حفاری در میدان مارون استفاده شد. نتایج بدست آمده نشان داد که شبکه های عصبی می توانند با دقت بسیار خوبی گیر رشته حفاری رادر شرایط گوناگون پیش بینی کرده و روشی مناسب برای حل هرچه بهتر این مشکل در صنعت حفاری می باشند.