|
Title
|
تعيين عمق هاي بحراني حفاري با استفاده از روش هاي يادگيري ماشين، مطالعه موردي يكي از ميادين نفتي جنوب غرب ايران
|
|
Type
|
Thesis
|
|
Keywords
|
عمق بحراني؛ عمليات حفاري؛ يادگيري ماشين؛ مشكلات حفاري؛ پارامترهاي حفاري
|
|
Abstract
|
در نتيجه نوسانات زياد قيمت نفت، چالش ها در بهينه سازي عمليات حفاري رو به افزايش است . اين عمليات پرهزينه، به عنوان هسته صنايع نفت و گاز در نظر گرفته مي شود و نياز به نظارت مداوم به منظور كاهش هزينه هاي آن وجود دارد. در طراحي چاه، كليد حصول موفقيت آميز اهداف، طراحي برنامه هاي چاه بر پايه پيشبيني مشكلات بالقوه است. رايج ترين اين مشكلات شامل ناكارآمدي متعلقات درون چاهي حين حفاري، ريزش ديواره چاه، گير لوله، هرزروي گل، افت نرخ نفوذ، انحراف چاه، تنگ شدگي مسير چاه، شكست لوله ها، آلودگي گل، آسيب به سازند، مشكلات پاكسازي چاه، و مشكلات مرتبط با تجهيزات و كاركنان است. درك و پيش بيني مشكلات حفاري، فهم دلايل، و برنامه ريزي راه حل ها، به منظور كنترل هزينه چاه ضروري است. پيچيدگي روزافزون چاه ها، مخارج حفاري را تشديد كرده و تمركز صنعت حفاري را به سمت كاهش زمان غيرمفيد و زمان هاي هدر رفته سوق داده است. تعيين عمق هاي بحراني كه احتمال وقوع مشكلات حفاري در آنها بيش از ديگر اعماق است، مي تواند نقشي كليدي در پيش بيني و كاهش احتمال مواجهه با اين مشكلات داشته باشد. هدف از اين پژوهش، استفاده از روش هاي يادگيري ماشين به منظور شناسايي و دسته بندي مشكلات حفاري با استفاده از پارامترهاي حفاري است. از داده هاي حفاري ثبت شده حين حفر 11 چاه يكي از ميادين دريايي جنوب غرب ايران براي ساخت مدل هاي يادگيري ماشين استفاده شد. تعداد 411 مجموعه داده پس از حذف نمونه هاي پرت و نامناسب از منابع مختلف مانند گزارش هاي روزانه حفاري، گزارش هاي روزانه گل حفاري و همچنين گزارش هاي نهايي چاه استخراج شد و براي آموزش مدل ها مورد استفاده قرار گرفت. اطلاعاتي شامل پارامترهاي مختلف حفاري و مشكلات هر عمق )در صورت وجود) از گزارش ها به دست آمد. همچنين، با اعمال روش هاي انتخاب ويژگي، تعداد آنها از 31 به 14 ويژگي كاهش يافت. سپس، با استفاده از نرم افزار MATLAB R2021b و به وسيله 75 % از داده ها، آموزش مدل هاي دسته بندي چندكلاسه شامل درخت تصميم، تحليل تشخيصي، دسته بندهاي ناييو بايز، ماشين هاي بردار پشتيبان، نزديكترين همسايه، دسته بندهاي جمعي، و شبكه هاي عصبي مصنوعي انجام شد. هر مدل به وسيله تنظيم ابرپارامترها قابليت بهينه سازي دارد. نتايج حاصل از اجراي مدل ها به تفصيل بررسي شد. در نهايت، بهترين دقت اعتبارسنجي متعلق به مدل دسته بند
|
|
Researchers
|
Hamed Azadian (Student) , Reza Azin (Primary advisor) , Ali Ranjbar (Primary advisor) ,
|