سال انتشار: ۱۳۹۱

محل انتشار: سومین همایش ملی مدیریت پساب و پسماند در صنایع نفت و انرژی

تعداد صفحات: ۱۰

نویسنده(ها):

علی پیراسته – دانشجوی کارشناسی ارشد مهندسی برق- دانشگاه غیرانتفاعی شهاب دانش قم
عبدلله شمیسا – عضو هیت مدیره دانشگاه غیرانتفاعی شهاب دانش قم.
اصغر فرجی مقدم – دانشجوی کارشناسی ارشد مهندسی برق- دانشگاه غیرانتفاعی شهاب دانش قم

چکیده:

شبکههای عصبی مصنوعی (Artificial Neural Network) الگویی برای پردازش اطلاعات می‌باشند که با تقلید از شبکه‌های عصبی بیولوژیکی مثل مغز انسان ساخته شده‌اند.امروزه به دلیل نیاز روز افزون بشر به انرژی، شرکت های نفتی مجبور شده اند که چاه های عمیق تر و زیادتری را حفر کنند و این به معنی صرف مدت زمان زیادتر برای حفاری چاه و عبور از سازندهای مختلف با خصوصیات متفاوت جهت رسیدن به مخزن نفتی مورد نظر می باشد. از آنجا که قسمت اعظم هزینه نهایی یک چاه مربوط به حفاری آن می باشد، داشتن برنامه ای مدون جهت صرف کمترین زمان ممکن برای حفاری بسیار حیاتی به نظر می رسد. در حین حفاری مشکلات زیادی ممکن است سبب انحراف عملیات از برنامه زمانی مورد نظر شوند که از این جمله می توان به هرزروی و گیر لوله ها اشاره کرد. گیر لوله ها عموما مربوط به زمان بعد از هرزروی های شدید می باشند. هرزروی سیال حفاری یکی از مشهودترین مشکلات حفاری می باشد که هزینه زیادی را به شرکت های نفتی تحمیل می-کند. و نیز آسیب زیادی به محیط زیست وارد می آورد.هرزروی گل حفاری تابع عوامل بسیار زیادی می باشد که مدل کردن همه آن ها بصورت تحلیلی ممکن است بسیار مشکل باشد. بنابراین با استفاده از تکنیک های هوش مصنوعی که توانایی زایدالوصفی در شبیه سازی فرایند های پیچیده دارند، بسیار مؤثر به نظر می رسد. در این تحقیق سعی بر اینست که با توجه به داده های حفاری موجود در میدان نفتی مارون، میزان هرزروی را تخمین زد. پیش بینی های حاصل از شبکه عصبی مصنوعی سازگاری بسیار خوبی با میزان هرزروی واقعی موجود در گزارش های روزانه حفاری نشان می دهد. که می‌توان با استفاده از آن میزان هرزروی را به حداقل رساند و آسیب به محیط زیست را کاهش داد.