بررسي پارامترهاي گير لوله تفاضلي در چاههاي نفت با استفاده از الگوريتم عصبي كرم شب تاب در يكي از ميادين جنوب غربي ايران

پدیده گیر لوله یكی از مشكلات اساسی در صنعت حفاری بوده كه باعث افزایش هزینه های حفاری از طریق افزایش زمان حفاری یك چاه می گردد. بطور كلی دو نوع گیر لوله مختلف در حین حفاری مخازن هیدروكربنی رخ می دهند كه عبارتند از : گیر لوله مكانیكی و گیر لوله تفاضلی. گیر لوله تفاضلی به آن نوع از گیر لوله گفته می شود كه در آن بخشی از لوله حفاری به كیك حفاری تشكیل شده در جداره چاه حفاری چسبیده و چرخش معكوس لوله حفاری و یا در برخی موارد به طور كلی چرخش لوله حفاری را با مشكل مواجه می سازد. در این مقاله از داده های گیر لوله مربوط به 12 حلقه از چاههای موجود در میادین جنوب غربی ایران بدین منظور استفاده گردیده است با استفاده از انجام آنالیز حساسیت بر روی پارامتر اندازه جمعیت در الگوریتم كرم شبتاب مشخص گردید كه یك مقدار بهینه ای از تعداد ذرات وجود دارند كه باعث كاهش میزان خطای شبكه بر روی كل داده ها می گردد . این مقدار بهینه برای مساله ذكر شده در این پژوهش برابر با 60 می باشد. در كل مشخص گردید كه یك شبكه عصبی با سه لایه مخفی دارای بهترین عملكرد در تشخیص گیر لوله می باشد . همچنین، آنالیز آماری نتایج به دست آمده توسط الگوریتم تركیبی عصبی - كرم شب تاب در پیش بینی پدیده گیر لوله با استفاده از پارامترهای TPR ، SPC ، ROC و TCA مشخص نمود كه شبكه عصبی توسعه داده شده با دقت 72 % قادر به پیش بینی موارد مربوط به گیر لوله، با دقت 9 / 93 % قادر به پیش بینی عدم گیر لوله و با دقت 4 / 89 درصد قادر به پیش بینی صحیح هر دو پدیده می باشد.

The phenomenon of stuck pipe in the drilling industry has been one of the major problems that increase costs by increasing the drilling of a well is drilling. Generally, two types of pipe sticking hydrocarbon reservoirs occur during drilling include: consuming mechanical tube and differential pipe sticking. In this paper data pipe sticking out of the 12 wells from existing wells in Iranʹs southwestern oil fields have been used for this purpose. The optimal amount is equal to 60 are listed in the study. In general, it was found that a neural network with three hidden layers has the best performance in detecting pipe is stuck. Also, statistical analysis results obtained by fireflies predictive dialer algorithm neural tube using parameters TPR, SPC, ROC and TCA is detected The neural network developed able to predict with 72% accuracy related to stuck pipe, with an accuracy of 93.9% able to predict with accuracy of 89.4 of pipe sticking able to predict both phenomena are correct