دوره 8، شماره 1 - ( 1403 )
جلد 8 شماره 1 صفحات 35-26 |
برگشت به فهرست نسخه ها
مهران بادینلو1 
، جمال فراشیانی1 ، داود خوزان 2، مهدی منصوری3 ، وحید دانشخواه3
، جمال فراشیانی1 ، داود خوزان 2، مهدی منصوری3 ، وحید دانشخواه3
1- گروه مهندسی نفت، دانشکده مهندسی شیمی، دانشگاه تربیت مدرس، تهران، ایران
2- گروه مهندسی نفت، دانشکده مهندسی شیمی، دانشگاه تربیت مدرس، تهران، ایران ،khoozan@modares.ac.ir
3- شرکت انرژی دانا، تهران، ایران
2- گروه مهندسی نفت، دانشکده مهندسی شیمی، دانشگاه تربیت مدرس، تهران، ایران ،
3- شرکت انرژی دانا، تهران، ایران
چکیده: (183 مشاهده)
موضوع تحقیق: عملیات حفاری همواره دچار مشکلات فراوانی بوده است. این مشکلات می‌توانند خسارات مالی، جانی یا حتی محیط زیستی فراوانی ایجاد کنند. به همین دلیل به‌دنبال راه‌حلی باید بود که این مشکلات را کاهش دهد و قبل از واردشدن خسارات جانی و مالی، این اتفاقات را پیش‌بینی کند و اقدامات لازم را برای رفع و کاهش خسارات عملی سازد. در این پژوهش، تأثیر استفاده از الگوریتم‌های هوش مصنوعی برای پیش‌بینی رخدادهای حفاری مورد بررسی قرار می‌گیرد. برای این منظور از داده‌های نمودارگیری از گل حفاری (Mud Logging) که به‌صورت برخط اندازه‌گیری شده و از چاههای موجود در یکی از میادین نفتی ایران جمع‌آوری شده‌اند، استفاده می‌شود.
روش تحقیق: معماری ترکیبی شامل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) و شبکه عصبی تماماً متصل برای شناسایی و تشخیص ناهنجاری‌هایی مانند سیلان چاه (Kick) و گیرکردن لوله حفاری (Stuck Pipe) به کار گرفته شد. به‌دلیل کمبود نمونه‌های این ناهنجاری‌ها در مجموعه داده‌ها که می‌تواند به‌طور قابل‌توجهی دقت و عملکرد مدل را کاهش دهد، از روش نمونه‌برداری دسته اقلیت (SMOTE) برای تعادل توزیع دسته‌ها و بهبود عملکرد کلی شبکه استفاده شد. علاوه بر این، تأثیر تغییرات ابرمتغیرها بر کاهش خطای شبکه مورد بررسی قرار گرفت.
نتایج تحقیق: در شبکه‌هایی که با ساختارها و معماری‌های مختلف مورد بررسی قرار گرفتند، نتایج تجربی نشان داد که شبکه عصبی با دقت 45/94 درصد بر روی مجموعه داده‌های آزمایشی عمل کرد. این عملکرد با تنظیم ابرمتغیرها به‌صورت زیر حاصل شد: پنجره نگاه به عقب 7، نرخ یادگیری 001/0، نرخ حذف 2/0، اندازه دسته 32 و معماری شبکه چهار لایه با تعداد واحدهای {(512,256,256)} در لایه‌های پنهان اول، دوم و سوم. این پیکربندی در تشخیص ناهنجاری نسبت به سایر گزینه‌های آزمایش‌شده، دقت بالاتر و هشدارهای کاذب کمتری داشت. با توجه به نتایج به‌دست‌آمده این روش در تشخیص برخط ناهنجاری در فرایند حفاری مؤثر خواهد بود.
روش تحقیق: معماری ترکیبی شامل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) و شبکه عصبی تماماً متصل برای شناسایی و تشخیص ناهنجاری‌هایی مانند سیلان چاه (Kick) و گیرکردن لوله حفاری (Stuck Pipe) به کار گرفته شد. به‌دلیل کمبود نمونه‌های این ناهنجاری‌ها در مجموعه داده‌ها که می‌تواند به‌طور قابل‌توجهی دقت و عملکرد مدل را کاهش دهد، از روش نمونه‌برداری دسته اقلیت (SMOTE) برای تعادل توزیع دسته‌ها و بهبود عملکرد کلی شبکه استفاده شد. علاوه بر این، تأثیر تغییرات ابرمتغیرها بر کاهش خطای شبکه مورد بررسی قرار گرفت.
نتایج تحقیق: در شبکه‌هایی که با ساختارها و معماری‌های مختلف مورد بررسی قرار گرفتند، نتایج تجربی نشان داد که شبکه عصبی با دقت 45/94 درصد بر روی مجموعه داده‌های آزمایشی عمل کرد. این عملکرد با تنظیم ابرمتغیرها به‌صورت زیر حاصل شد: پنجره نگاه به عقب 7، نرخ یادگیری 001/0، نرخ حذف 2/0، اندازه دسته 32 و معماری شبکه چهار لایه با تعداد واحدهای {(512,256,256)} در لایه‌های پنهان اول، دوم و سوم. این پیکربندی در تشخیص ناهنجاری نسبت به سایر گزینه‌های آزمایش‌شده، دقت بالاتر و هشدارهای کاذب کمتری داشت. با توجه به نتایج به‌دست‌آمده این روش در تشخیص برخط ناهنجاری در فرایند حفاری مؤثر خواهد بود.
واژه‌های کلیدی: نمودارگیری از گل حفاری، شبکه عصبی حافظه کوتاه مدت طولانی، سیلان چاه، گیر رشته حفاری، الگوریتم نمونه گیری دسته اقلیت
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |