بهبود مدل پیش‌بینی رفتار رئولوژیکی سیال حفاری با استفاده از شبکه عصبی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مهندسی نفت، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی، واحد تهران مرکز، ایران

2 پژوهشکده پالایش نفت، پژوهشگاه صنعت نفت، تهران، ایران

چکیده

با توجه به تأثیر پارامترهای فراوان بر روی رفتار رئولوژیک سیال حفاری، تعیین دقیق رفتار رئولوژیک سیال حفاری حائز اهمیت است. ازاین‌رو حذف روش‌های آزمایشگاهی که به‌صورت سعی و خطا انجام می‌گیرد و نیاز به استفاده از روش‌های هوشمند ازجمله شبکه‌های عصبی مصنوعی، به‌شدت احساس می‌شود. در تحقیق حاضر برای پیش‌بینی خواص رئولوژیکی سیال حفاری، شامل پلاستیک ویسکوزیته، ویسکوزیته قیف و نقطه تسلیم از اطلاعات چهار چاه مربوط به یک میدان نفتی شامل 240 ردیف اطلاعات (4080 داده) جهت آزمون و 23 ردیف (391 داده) جهت تست مدل استفاده شد. پارامترهای موجود در این اطلاعات شامل 14 نوع مواد سیال، عمق، نوع سازند و دما (جمعاً 17 پارامتر) است. سپس با استفاده از شبکه‌های عصبی مصنوعی، ابتدا ساختارهای مختلف شبکه عصبی جهت پیش‌بینی خواص رئولوژیکی سیال حفاری ساخته شد و درنهایت سه مدل بهینه مجزا برای ویسکوزیته پلاستیک، ویسکوزیته قیف  و نقطه تسلیم طراحی شد که در هر سه مدل، شبکه دارای دو لایه با 17 ورودی و یک خروجی در لایه آخر بوده و تعداد نرون‌های لایه پنهان، 16 نرون برای مدل ویسکوزیته پلاستیک 19 نرون برای مدل ویسکوزیته قیف و مدل نقطه تسلیم تعیین شد. ضرایب همبستگی آزمون این مدل‌ها در نهایت، 99/0 برای مدل ویسکوزیته پلاستیک، 98/0 برای مدل نقطه تسلیم و 97/0 برای ویسکوزیته قیف به‌دست آمد که نشان‌دهنده انطباق بالای نتایج آزمون با واقعیت بود. درنهایت نیز مدلی آماری با استفاده از نرم‌افزار SPSS ساخته شد.
 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Modifying a Model for Predicting Rheological Behavior of Drilling Fluid Using Artificial Neural Network

نویسندگان [English]

  • Morteza Rajabi Hashtjin 1
  • Tarane Jafari Behbahani 2
1 Faculty Engineering, Islamic Azad University, Central Tehran Branch, Tehran, Iran
2 Research Institute of Petroleum Industry (RIPI), Tehran, Iran
چکیده [English]

Due to the influence of many parameters on the drilling fluid, the precise determination of the rheological behavior of the fluid is important. Therefore, the elimination of imprecise experimental methods which have been done based on trial and error, and using logical mathematical intelligence methods such as artificial neural networks instead of previous methods are needed. In the present study, for predicting the rheological properties of drilling mud, including Plastic viscosity, funnel viscosity, and yield point, the data from four wells of the field of X which contains 240 rows of data (4080 data) to test and 23 rows (391 data points) to test the model  have been used. This includes 14 types of parameters in a fluid, depth, and temperature formation (a total of 17 parameters). By using artificial neural networks, the structures for predicting the neural network, and the rheological properties of drilling mud were built, and finally, three separate optimization models for the plastic viscosity (PV), funnel viscosity (FV), and the yield point (YP) were designed that in all three models, the network had two layers, 17 inputs and one output in last layer. Moreover, the number of neurons in the hidden layer, 16 neurons for the PV model, 19 neurons for FV model, and 19 neuron for YP model were determined. Finally, the coefficients of determination of these models, which were tested, were R2 PV = 0.99, R2 YP = 0.98, and R2 FV=0.97 indicating a high compliance test results with reality.
 

کلیدواژه‌ها [English]

  • Plastic Viscosity
  • Funnel Viscosity
  • Yield Point
  • Neural Networks
  • Statistical Model

[1]. Ronca L. B. “An introduction to the geology of the moon,” Proc. Geol. Assoc., Vol. 77(1), pp.101–25, 1966.##

[2]. Ouyang Z. Y. , Li C. L., Zou Y. L., Liu J. Z., Liu J. J. M. “The primary science results from the chang’e-1 probe,” Sci. China Earth Sci., Vol.40(3), pp.261–80, 2010.##

[3]. Bar-Cohen Y. and Zacny K. “Drilling in extreme environment: penetration and sampling on earth and other planets,” Weinheim: Wiley-VCH; pp. 1–30, 2009.##

[4]. Zacny K. and Bar-Cohen Y. “Drilling and excavation for construction and in-situ resource utilization. in: badescu v, editor. mars prospective energy and material resources,” Berlin: Springer-Verlag, pp. 431–59, 2009.##

[5]. Quan Q. Q., Tang J. Y., Jiang S. Y., Li H., Li S. C., Deng Z. Q. and Yin Sh., “Control system for a drilling & coring device in lunar exploration,” Proc. of the IEEE International Conference on Information and Automation, Aug. 26–28; Yinchuan, China. Piscataway, NJ: IEEE Press; pp. 79–84, 2013.##

[6]. Shi X. M., Deng Z. Q., Quan Q. Q., Tang D. W., Hou X. Y. and Jiang S. Y., “Development of a drilling and coring test-bed for lunar subsurface exploration and preliminary experiments,” Chin J. Mech. Eng. Vol. 27(4), pp. 673–682, 2014.##

[7]. Heiken G. H., Vaniman D.T., French B.M. and Lunar sourcebook, “A user’s guide to the moon,” Paris: Ambridge University Press; pp. 285–356, 1991.##

[8]. Lian Y. “Inversion of composition and analysis of structure in the lunar subsurface from chang’e microwave data [dissertation],” Changchun: Jilin University; [Chinese], 2014.##

[9]. Shi X. M., Jie D. G., Quan Q. Q., Tang D. W., Jiang S. Y. and Deng Z. Q., “Experimental research on lunar soil simulant drilling load analysis,” Chin J. Astronaut; Vol. 35 (6), pp.648–56, 2014.##

[10]. Zhong Z.Theoretical and experimental analysis of the compaction process in a tapered screw press [dissertation], Newcastle: The University of Newcastle upon Tyne; 1991.##