بررسي تاثير پارامترهاي عملياتي دستگاه حفاري در چاه هاي نفتي بر نرخ نفوذ مته حفاري با استفاده از شبكه هاي عصبي مصنوعي و تحليل آماري رگرسيون خطي چند متغيره

در عملیات حفاری چاه های نفت و گاز با پیشبینی شرايط به منظور افزايش راندمان عملیات حفاری و در نتیجه كاهش هزينهها و ريسك عملیات، میتوان به نتايج مطلوبی دست يافت. يكی از معیارهای راندمان حفاری، میزان نرخ نفوذ مته حفاری میباشد كه به صورت نسبت متراژ حفاری بر زمان تعريف میگردد. تخمین اين پارامتر هنگام برنامهريزی جهت حفر يك چاه، میتواند به ارزيابی دقیقتر مدت زمان حفاری و در نتیجه برآورد هزينه آن كمك شايانی نمايد. پارامترهای موثر جهت تعیین نرخ نفوذ مته حفاری را میتوان به سه گروه اصلی پارامترهای مربوط به شرايط زمین، پارامترهای مربوط به دستگاه حفاری )پارامترهای عملیاتی( و پارامترهای مرتبط با سیال حفاری تقسیمبندی نمود. در اين مطالعه بهمنظور پیشبینی نرخ نفوذ مته حفاری از دو روش شبكههای عصبی مصنوعی و روش آماری رگرسیون خطی چند متغیره استفاده شده است. در اين پژوهش يكی از میدانهای نفتی واقع در جنوب كشور بهعنوان مطالعه موردی در نظر گرفت شده است. در اين پژوهش جهت ايجاد مدل پارامترهای وزن روی مته حفار، گشتاور، سرعت چرخش مته حفاری، جريان گل ورودی به چاه، وزن گل حفاری، درجه حرارت گل حفاری ورودی به چاه، فشار پمپ گل بهعنوان پارامترهای ورودی، و میزان نرخ نفوذ مته حفار بهعنوان خروجی مورد نظر انتخاب شدند. در ادامه پس از انتخاب مناسبترين شبكه، آنالیز حساسیت بر روی هر يك از پارامترها صورت گرفت. شاخصهايی نظیر ضريب تعیین، میانگین مربعات خطا جهت مقايسه نتايج حاصل از دو روش مذكور در نظر گرفته شدند. نتايج حاصل از تحلیلها نشان داد كه مدل انتخاب شده از شبكه عصبی مصنوعی با ضريب تعیین 9132 / 0 میزان خطای كمتر و ضريب تعیین به مراتب بالاتری نسبت به روش رگرسیون خطی چند متغیره با ضريب تعیین 83 / 0 دارا بوده و در نتیجه تطابق بیشتری با مقادير واقعی دارد.

At the present time, the oil industry has a special place in the world. The development of the upstream industries is a major concern for engineers and experts. By predicting drilling conditions in order to increase the drilling operationʹs efficiency, decrease cost of drilling and operation risks, in oil and gas well can reach favorable results. One of the criteria of drilling efficiency is the bitʹs rate of penetration (ROP), which is defined as the ratio of drilled depth over time. This research is carried out based on the information from GACHSARAN oil field. Initially data were collected and then effective parameters on the penetration rate were determined. Finally by choosing the most proper neural network, sensitivity analysis on the parameters was carried out. Furthermore, considering the coefficient of determination and mean square error as the main criteria, a comparison between these two mentioned methods has been done. Results show the used model of artificial neural network with seven input parameters and two hidden layers with ten and sixteen neurons, has markedly higher coefficient of determination with lower values of errors with respect to the linear regression. Therefore the predicted results via neural network show better agreements with actual values