ارائه ابزار گرافیکی به منظور پیش‌بینی نرخ نفوذ حفاری با استفاده از شبکه‎های هوشمند

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی نفت، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

2 گروه مهندسی معدن، واحد قائم شهر، دانشگاه آزاد اسلامی، قائم شهر، ایران

3 گروه مهندسی نفت، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

پیش‎بینی نرخ نفوذ حفاری به‎دلیل نقش آن در به حداقل رساندن هزینه‌های حفاری برای بهینه‎سازی حفاری از اهمیت زیادی برخوردار است. تحلیل اطلاعات میدانى، عنصر اصلى کاهش هزینه و بهبود عملیات حفارى بوده و توسعه ابزار‎هاى تحلیل اطلاعات میدانی و ارائه مدل‌های پیش‌بینی، یکى از راه‎هاى توسعه و بهبود عملیات حفارى به شمار می‎رود. هنگامی‌که یک سیستم حفارى مستقر شد، تنها تعداد پارامترهای محدودى هستند که قابل کنترل و تغییر هستند؛ لذا موفقیت‌آمیز بودن طرح های حفاری به میزان زیادی به پیش‎بینی عملکرد حفاری وابسته است. هدف اصلی انجام این تحقیق کاربرد شبکه‌های هوشمند و ارائه ابزارهایی گرافیکی برای پیش‌بینی نرخ نفوذ حفاری است که بدین منظور یک بانک اطلاعاتی از داده‌های میدانی از جمله عمق چاه، وزن روی مته، سرعت چرخش مته، فشار لوله حفاری، وزن روی قلاب و گشتاور از یکی از میادین جنوب کشور تهیه شد. در این تحقیق دو نوع مختلف و کاربردی از ابزار گرافیکی برای پیش‎بینی نرخ نفوذ حفاری و نیز محاسبه هزینه بر فوت، با استفاده از شبکه عصبی و عصبی فازی توسعه داده شد که ابزار اول درخصوص پیش‎بینی نرخ نفوذ حفاری و ابزار دوم به منظور ارزیابی اقتصادی عملکرد مته و محاسبه‌ هزینه بر فوت ارائه شده است. نتایج تحلیل‌ها با استفاده از این ابزار گرافیکی نشان داد که رابطه خوبی با ضریب همبستگی (94/0=R2) برای پیش‌بینی نرخ نفوذ با استفاده از شبکه عصبی به‎دست می‌آید. در ادامه به جهت بهبود رابطه به‎دست آمده از روش شبکه عصبی فازی بهره گرفته شد. نتایج نشان داد که رابطه بسیار خوبی با دقت بالا با ضریب تعیین (99/0=R2) حاصل می‌شود که حاکی از بهبود دقت مدل پیش‌بینی با استفاده از روش عصبی فازی است.
 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Presenting a Graphical Tool to Predict the Drilling Rate of Penetration through Intelligent Approaches

نویسندگان [English]

  • Seyed Hassan Moshashai 1
  • Arash Ebrahimabadi 2
  • Seyed Abolghasem Emamzadeh 3
1 Faculty of Petroleum Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 Department of Mining, Qaemshahr Branch, Islamic Azad University, Qaemshahr, Iran
3 Faculty of Petroleum Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
چکیده [English]

The prediction of drilling rate is one of the important issue because of its role in minimizing drilling costs to optimize the drilling process. Field data analysis is a key element in reducing costs and improving drilling operations. Furthermore, developing field information analysis tools and providing prediction modelsare two alternatives to improve drilling operations. When a drilling system is deployed, there are only a few limited parameters which can be controlled and changed. In general, the main purpose of this research is to apply intelligent techniques and provide graphical tools for predicting drilling performance. For this purpose, a database of field data such as well depth, drill weight, drill speed, drill chuck, weight on the hook and the torque was established from one of the southern fields of Iran. In this research, two different types of graphical tools were proposed to predict the drilling rate of penetration as well as to calculate the cost per foot, using a fuzzy neural network and Neuro-fuzzy approaches. The goals of the economic evaluation are the drill performance and the cost-per-foot calculation. The results showed that a good correlation coefficient (R2=0.94) was obtained to predict the penetration rate using the neural network. In order to improve the findings, the fuzzy neural network method was applied. The results demonstrated that a very good relationship with high precision having a coefficient of determination (R2=0.99) was obtained and thereby it depicted  a significant improvement in the accuracy of the prediction models.
 

کلیدواژه‌ها [English]

  • Drilling Rate
  • Prediction
  • Cost Per Foot
  • neural network
  • Fuzzy-neural Network
  • Graphical Software

[1]. بهاری ا.، و برادران سید ا.، "بهینه‎سازی هزینه‌های حفاری در میدان گازی خانگیران،" پایگاه مقالات فارسی مهندسی نفت،1390.##

[2]. Fausett L., “Fundamentals of neural networks: architectures, algorithms, and applications,” Prentice-Hall, Inc.,Vol. 26, No. 11, pp. 59-68, 1994.##

[3]. Bilgesu H., Tetrick L.T., Altmis U., Mohaghegh S. and Ameri S., “A new approach for the prediction of rate of penetration (ROP) values,” SPE Eastern Regional Meeting, Society of Petroleum Engineers,Vol. 32, No. 07, pp. 111-118, 1997.##

[4]. Bourgoyne Jr. A. and F. Young Jr., “A multiple regression approach to optimal drilling and abnormal pressure detection,” Society of Petroleum Engineers Journal, Vol.14, No. 04, pp. 371-384,1974.##

[5]. Dashevskiy D., Dubinsky V. and Macpherson J. D., “Application of neural networks for predictive control in drilling dynamics,” SPE Annual Technical Conference and Exhibition, SPE,Vol. 19, No. 04, pp. 36-43, 1999.##

[6] Motahhari H., Hareland G., Nygaard R. and Bond B., “Method of optimizing motor and bit performance for maximum ROP,” Journal of Canadian Petroleum Technology, Vol. 48, No. 06, pp. 44-49, 2009.##

[7]. Hankins D., Salehi S. and Karbalaei Saleh F., “An Integrated Approach for Drilling Optimization Using Advanced Drilling Optimizer,” Journal of Petroleum Engineering, Vol. 24, No. 05, pp. 54-61, 2015.##

[8]. Wang Y. and Salehi S., “Application of real-time field data to optimize drilling hydraulics using neural network approach,” Journal of Energy Resources Technology, Vol. 137, No. 06, pp. 629-637, 2015.##

[9]. Moraveji M. K. and Naderi M., “Drilling rate of penetration prediction and optimization using response surface methodology and bat algorithm,” Journal of Natural Gas Science and Engineering, Vol. 31, No. 07, pp. 829-841, 2016.##

[10]. Amer M. M., Dahab A. S. and Hashem El-Sayed A. A., “An ROP predictive model in nile delta area using artificial neural networks,” SPE Kingdom of Saudi Arabia Annul Technical Symposium and Exhibition, SPE, Vol.12, No.05, pp. 124-135, 2017##

[11]. Manshad A., Rostami H., Toreifi H. and Mohammadi A. H., Optimization of drilling penetration rate in oil fields Using artificial intelligence technique, Nova Science Publishers, Vol. 18, No. 11, pp. 12-21, 2017.##