ارائه روش نوتركيب هوش مصنوعي جهت پيش ‌بيني نرخ نفوذ با استفاده از نگاره هاي حفاري

انجام فعاليت‌هاي حفاري، جهت دسترسي به منابع ارزشمند هيدروكربوري، ناگزير مي‌باشد. چنان كه يكي از پارامترهاي مهم و پركاربرد در مبحث حفاري چاه هاي نفت و گاز، نرخ نفوذ مته حفاري است. در اين مطالعه جهت تخمين نرخ نفوذ، از اطلاعات مربوط به سه چاه از يك ميدان نفتي واقع در جنوب غرب ايران و تركيبي از الگوريتم هاي نزديك‌ترين همسايه K، الگوريتم زنبورعسل، الگوريتم كرم شب‌تاب و پرسپترون چندلايه استفاده شده است. از قابليت هاي شاخص اين الگوريتم نو تركيب، كاهش نويز داده‌ها و افزايش دقت پيش بيني پارامتر موردنظر مي‌باشد. نتايج نشان داد كه خطاي جذر ميانگين مربعات براي داده‌هاي مربوط به آموزش، آزمايش و اعتبارسنجي به ترتيب برابر با 1.05، 1.52 و 1.48 بوده كه خود نشان‌ دهنده ‌ي دقت عملكرد بالاي اين الگوريتم نو تركيب مي باشد. همچنين با بررسي ضريب پيرسون مشخص گرديد كه پارامتر اندازه نازل مته حفاري با مقدار نرخ نفوذ رابطه مستقيم و مقادير چگالي، نقطه تسليم، ويسكوزيته پلاستيك، انرژي ويژه مكانيكي و جريان ورودي گل با مقدار نرخ نفوذ رابطه عكس داشته‌اند. لذا اين تحقيق، علاوه بر ارائه يك مدل نوتركيب، به بررسي پارامترهاي تأثيرگذار بر روي نرخ نفوذ حفاري نيز پرداخته است. لذا محققان مي‌توانند از الگوريتم معرفي‌شده در اين مقاله براي پيش‌بيني ساير پارامترهاي كليدي مخزن، توليد، حفاري و ژئوفيزيك استفاده نمايند.