تخمين نرخ نفوذ حفاري با استفاده از ماشين يادگيري افراطي و شبكه هاي عصبي پايه شعاعي

تخمين نرخ نفوذ (ROP)، يكي از اقدامات اوليه و بسيار مهم به منظور بهينه سازي عمليات حفاري و مديريت چاه هاي آينده است. به دليل پيچيدگي ميان متغيرهاي تاثيرگذار بر نرخ نفوذ، تخمين دقيق اين فاكتور كليدي به وسيله مدل هاي رياضي مرسوم امكان پذير نيست. هدف از اين مطالعه، استفاده از دو روش شبكه هاي عصبي پايه شعاعي بهينه شده با الگوريتم ازدحام ذرات (PSO-RBFNN) و ماشين يادگيري افراطي (ELM)، براي تخمين نرخ نفوذ است. RBFNN، يكي از روش هاي مدل سازي در تخمين توابع غيرخطي به شمار مي رود، كه به دليل داشتن تنها يك لايه پنهان، محاسبات و پيچيدگي بسيار كمتري دارد. در حالي كه، روش ELM يك روش تعميم يافته از شبكه هاي عصبي پرسپترون چند لايه (MLP) است كه با ايجاد تغييراتي در ساختار و محاسبات لايه پنهان، سرعت و دقتي بالاتر را براي تقريب فراهم آورده است. در اين پژوهش، از داده هاي واحد نمودارگيري گل (MLU) جمع آوري شده از يك چاه حفاري شده واقع در ميدان نفتي رگ سفيد در جنوب غربي ايران استفاده شده است. اين داده ها شامل نه متغير مستقل (پارامترهاي عمليات حفاري) و يك متغير وابسته (نرخ نفوذ) مي باشد كه پس از كنترل نويز و حذف نقاط دور افتاده، به عنوان ورودي مدل ها استفاده شدند. دقت تقريب مدل هاي توسعه داده شده، به وسيله معيارهاي آماري مختلفي با يكديگر مقايسه شدند كه شامل ضريب تعيين))، ضريب رگرسيون (R)، خطاي ميانگين مربعات (MSE)، خطاي جذر ميانگين مربعات (RMSE) و ميانگين مطلق خطا (MAE) است. بر اساس نتايج اين مطالعه، نشان داده شد كه هر دو مدل، تخمين مناسبي را از نرخ نفوذ ارايه مي كنند. با اين حال ثابت شد كه مدل ELM، الگوي ميان داده هاي ورودي را بهتر تشخيص داه و مي تواند به عنوان يك مدل كارآمد براي تخمين نرخ نفوذ استفاده شود. همچنين ثابت شد كه كنترل نويز داده ها يك اقدام موثر و ضروري قبل از فرآيند مدل سازي است.