كاربرد محاسبات نرم جهت بهينه سازي انتخاب مته با استفاده از هوش مصنوعي و الگوريتم هاي ژنتيك

مهندسان حفاري قبل از شروع يا حين حفاري يك چاه جديد با چالش‌هاي زيادي مواجه مي‌شوند. متغيرهاي زيادي وجود دارد كه با سخت‌ افزار و عمليات‌هاي روزانه مرتبط بوده و با پيشرفت حفاري براي آنها برنامه‌ريزي شده و تنظيم مي‌گردند. از اين متغيرها، انتخاب مته يكي از مهمترين ملاحظات جهت برنامه‌ريزي و طراحي چاه جديد است. اگرچه از آنجا كه عوامل مختلف عملكرد مته روابط پيچيده‌اي با خواص سازند، طراحي بدنه‌ي مته و متغيرهاي عملياتي دسته‌بندي درخور مته كار سختي است. هدف اصليِ روش پيشنهاد شده عبارت است از ارزيابي شرايط فعلي سيستم حفاري جهت بهينه‌سازي كلي كارآيي حفاري و كاهش احتمال فرسايش زودهنگام مته‌ي حفاري. روش مرسوم انتخاب مته بيشتر بر اساس تجربه‌ي حفاري در ميدان يا روابط رياضي‌اي است كه بيشتر بر پايه‌ي عملكرد مته‌هاي مشابه در چاه‌هاي آفست به‌دست آمده‌اند. آشكار است كه اين روابط پيچيده بين متغيرها را نمي‌توان در يك معادله‌ي ساده‌ي رياضي بيان كرد. ثابت شده كه در اينچنين موارد پيچيده‌اي به‌كارگيري هوش مجازي و شبكه‌هاي عصبي مصنوعي (ANNها) در فهم روابط پيچيده‌ي بين متغيرها بسيار ارزشمند است. در اين مطالعه دو مدل مناسب با استفاده از ANNها توسعه داده شده است. مدل اول انتخاب مناسب مته بر اساس ROP مطلوب و بر اساس متغيرهاي حفاري مشخص انجام مي‌شود. مدل دوم از متغيرهاي حفاري مناسب، كه خود از طريق روند بهينه‌سازي به‌دست آمده‌اند، استفاده كرده تا مته‌اي كه حداكثر ROP ممكن را نتيجه مي‌دهد بيابد. در اين ميان، الگوريتم ژنتيك (GA) مثل يك دسته از روش‌هاي بهينه‌سازي براي توابع پيچيده، استفاده مي‌شود. توابع رابطه‌ي مورد استفاده براي پيش‌بيني انواع مته و متغيرهاي حفاري بهينه در شبكه‌هاي آزمايشي حاصل به‌ترتيب برابر با 0/95 و 0/9 هستند. مؤلف معتقد است كه روش پيشنهاد شده، موقعيت‌هاي جديدي براي بهينه‌سازي زمان واقعي و براي حفاري ميداني ايجاد كند كه مي‌توان آنها را به‌ طور مؤثري در محدوده‌ي عمليات‌هاي حفاري موجود اعمال كرد.

فاقد چكيده مي باشد