05 اردیبهشت 1403
علي رنجبر

علی رنجبر

مرتبه علمی: استادیار
نشانی: دانشکده مهندسی نفت، گاز و پتروشیمی - گروه مهندسی نفت
تحصیلات: دکترای تخصصی / مهندسی نفت
تلفن: 077
دانشکده: دانشکده مهندسی نفت، گاز و پتروشیمی

مشخصات پژوهش

عنوان
تعیین عمق های بحرانی حفاری با استفاده از روش های یادگیری ماشین، مطالعه موردی یکی از میادین نفتی جنوب غرب ایران
نوع پژوهش پارسا
کلیدواژه‌ها
عمق بحرانی؛ عملیات حفاری؛ یادگیری ماشین؛ مشکلات حفاری؛ پارامترهای حفاری
پژوهشگران حامد آزادیان (دانشجو) ، رضا آذین (استاد راهنما) ، علی رنجبر (استاد راهنما) ، عباس روحی (استاد مشاور)

چکیده

در نتیجه نوسانات زیاد قیمت نفت، چالش ها در بهینه سازی عملیات حفاری رو به افزایش است . این عملیات پرهزینه، به عنوان هسته صنایع نفت و گاز در نظر گرفته می شود و نیاز به نظارت مداوم به منظور کاهش هزینه های آن وجود دارد. در طراحی چاه، کلید حصول موفقیت آمیز اهداف، طراحی برنامه های چاه بر پایه پیشبینی مشکلات بالقوه است. رایج ترین این مشکلات شامل ناکارآمدی متعلقات درون چاهی حین حفاری، ریزش دیواره چاه، گیر لوله، هرزروی گل، افت نرخ نفوذ، انحراف چاه، تنگ شدگی مسیر چاه، شکست لوله ها، آلودگی گل، آسیب به سازند، مشکلات پاکسازی چاه، و مشکلات مرتبط با تجهیزات و کارکنان است. درک و پیش بینی مشکلات حفاری، فهم دلایل، و برنامه ریزی راه حل ها، به منظور کنترل هزینه چاه ضروری است. پیچیدگی روزافزون چاه ها، مخارج حفاری را تشدید کرده و تمرکز صنعت حفاری را به سمت کاهش زمان غیرمفید و زمان های هدر رفته سوق داده است. تعیین عمق های بحرانی که احتمال وقوع مشکلات حفاری در آنها بیش از دیگر اعماق است، می تواند نقشی کلیدی در پیش بینی و کاهش احتمال مواجهه با این مشکلات داشته باشد. هدف از این پژوهش، استفاده از روش های یادگیری ماشین به منظور شناسایی و دسته بندی مشکلات حفاری با استفاده از پارامترهای حفاری است. از داده های حفاری ثبت شده حین حفر 11 چاه یکی از میادین دریایی جنوب غرب ایران برای ساخت مدل های یادگیری ماشین استفاده شد. تعداد 411 مجموعه داده پس از حذف نمونه های پرت و نامناسب از منابع مختلف مانند گزارش های روزانه حفاری، گزارش های روزانه گل حفاری و همچنین گزارش های نهایی چاه استخراج شد و برای آموزش مدل ها مورد استفاده قرار گرفت. اطلاعاتی شامل پارامترهای مختلف حفاری و مشکلات هر عمق )در صورت وجود) از گزارش ها به دست آمد. همچنین، با اعمال روش های انتخاب ویژگی، تعداد آنها از 31 به 14 ویژگی کاهش یافت. سپس، با استفاده از نرم افزار MATLAB R2021b و به وسیله 75 % از داده ها، آموزش مدل های دسته بندی چندکلاسه شامل درخت تصمیم، تحلیل تشخیصی، دسته بندهای ناییو بایز، ماشین های بردار پشتیبان، نزدیکترین همسایه، دسته بندهای جمعی، و شبکه های عصبی مصنوعی انجام شد. هر مدل به وسیله تنظیم ابرپارامترها قابلیت بهینه سازی دارد. نتایج حاصل از اجرای مدل ها به تفصیل بررسی شد. در نهایت، بهترین دقت اعتبارسنجی متعلق به مدل دسته بند