ارزیابی عملکرد شبکه‌های عصبی مصنوعی تلفیق شده با الگوریتم های فراابتکاری وال و مورچگان در تخمین نرخ نفوذ حفاری و مقایسه با شبکه های عصبی ساده و مدل های ریاضی مرسوم

تخمین نرخ نفوذ (rop) در یک فرایند حفاری از آن جهت که سبب انتخاب بهینه پارامترهای حفاری و کاهش هزینه های مصرفی عملیات میشود بسیار حائز اهمیت است. هدف اصلی از این مقاله، مدلسازی و تخمین rop با استفاده از شبکه های عصبی پرسپترون چند لایه بهینه شده با الگوریتم وال (woa-mlpnn)، شبکه های عصبی بهینه شده با الگوریتم مورچگان (aco-mlpnn)، شبکه های عصبی پس انتشار خطا (bp-mlpnn) و دو مدل ریاضی شامل مدل بورگوان و یانگ (bym) و مدل بینگهام می باشد. داده های مورد نیاز برای توسعه مدلها، از واحد نمودار گیری گل و گزارشات پایانی سه چاه حفاری شده در یک میدان نفتی واقع در جنوب غربی ایران جمع اوری شده است، که نخست به منظور حذف نقاط خارج از محدوده و کاهش نویز پیش پردازش شدند. در ادامه، از اطلاعات مقطع 12.25 اینچ دو حلقه چاه که شامل یک توالی مشابه از سازند های حفاری شده می باشند به منظور آموزش و آزمایش مدلها استفاده گردید و سپس مدلهای تولید شده، توسط اطلاعات چاه سوم مورد اعتبار سنجی قرار گرفتند. در پایان، عملکرد مدلها بوسیله شاخص های اماری و ابزار های گرافیکی مختلفی مورد ارزیابی قرار گرفت. نتایج این مطالعه نشان داد که روش های آموزش ماشین نسبت به مدلهای ریاضی مرسوم بسیار دقیقتر میباشند. همچنین، بررسی های بیشتر ثابت کرد که مدل woa-mlpnn با مقادیر aapre برابر 3.19، 5.48 و 9.31 به ترتیب برای سه بخش آموزش، آزمایش و اعتبار سنجی بالاترین عملکرد را نسبت به سایر مدله ها دارا می باشد.

Evaluation of the performance of artificial neural networks integrated with whale optimization and ant colony optimization algorithms in estimating the drilling rate of penetration and compare with simple neural networks and mathematical conventional models

Rate of penetration (ROP) estimation in a drilling process is very important because it leads to the optimal selection of drilling parameters and reduction of the operating costs. The main purpose of this paper is to modeling and estimating ROP using optimized multilayer perceptron neural network with whale optimization algorithm (WOAMLPNN), optimized multilayer perceptron neural network with ant colony optimization algorithm (ACOMLPNN), back propagation multilayer perceptron neural network (BPMLPNN) and two mathematical models including Bourgoyne and Young model (BYM) and Bingham model. The data required for development of the models were collected from the mud logging unit and the final reports of three drilled wells in an oil field located in southwestern Iran, which were first preprocessed to remove outliers and reduce noise. In the following, 12.25” holesection information of two wells containing a similar sequence of drilled formations was used to train and test the models, and then the generated models were validated by the third well information. In the end, the performance of models was evaluated by statistical indicators and various graphical tools. The results of this study showed that the machine learning methods are much more accurate than conventional mathematical models. Also, more detailed studies showed that the WOAMLPNN model with AAPRE values of 3.19, 5.48 and 9.31 for the three sections of training, testing and validation, respectively, has the highest performance compared to other models.