پیش بینی نرخ نفوذ مته به کمک شبکه‌های عصبی و بررسی تاثیر وزن دهی پارامترهای ورودی به کمک فرآیند تحلیل سلسله مراتبی فازی برای یکی از میادین غرب ایران

تعیین نرخ نفوذ مته یکی از موارد پر اهمیت در صنعت حفاری می‌باشد. عموما، دو روش برای مدل‌سازی نرخ نفوذ مته وجود دارد که عبارتند از مدل‌های فیزیکی و مدل‌های مبتنی بر شبکه‌های عصبی. کارایی مدل‌های فیزیکی با توجه به نقاط ضعفی مانند استفاده از ضرایب تجربی، نیاز به داده‌های جانبی زیاد، مورد تردید می‌باشد. از سوی دیگر، شبکه‌های عصبی می‌توانند با توجه به محدودیت داده‌های در درسترس، ابزاری مناسب جهت پیش‌بینی نرخ نفوذ مته ‌باشند. در این مقاله نرخ نفوذ مته به کمک حدود 2000 روز داده‌های حفاری، با استفاده از شبکه‌های عصبی پرسپترون چند لایه و المان مدلسازی شد. در هردوشبکه‌ی مذکور تعداد 7 نرون به عنوان نرون بهینه در تنها لایه‌ی پنهان تعیین شد که نتایج نشانگر میزان همبستگی 77.1%، 76.7% و میانگین مربعات خطای 1.31، 1.33 به ترتیب در شبکه‌ی پرسپترون چندلایه و شبکه‌ی المان بود. سپس، به منظور ارتقاء نتایج هردو شبکه‌ی عصبی، پارامترهای ورودی به کمک نظرات کارشناسان و با استفاده از رویه‌ی تحلیل سلسله مراتبی وزن دهی شد و مجددا مدلسازی نرخ نفوذ صورت گرفت که باعث بهبود نتایج هردو شبکه‌ی عصبی شد. نتایج حاصل از این پژوهش نشانگر برتری شبکه‌ی پرسپترون چندلایه جهت تخمین نرخ حفاری می‌باشد که موید این واقعیت است که شبکه‌های عصبی با دقت مناسبی قابلیت پیش بینی نرخ نفوذ مته را بر اساس داده‌های در دسترس دارند

The Prediction of the Rate of Penetration Using Artificial Neural Networks and applying the Fuzzy AHP Method for Weighting Input Parameters in One of the Western Oilfields of Iran

Determination of the rate of penetration is one of the most important factors in oil industries. Generally, two methods have been proposed for modeling the rate of penetration which include physical and artificial neural networks methods. ََArtificial neural networks can be used accurately in order to predict the rate of penetration in which the prediction of the rate of penetration does not include experimental coefficients and bit specifications. Furthermore, in this method, the rate of penetration only depends on the input data.In this paper, the rate of penetration using almost 2000 daily drilling reports and rock mechanical properties was applied. These data were reduced to approximately 1800 data according to data preprocessing. The rate of penetration was modeled by two artificial neural networks including a MultiLayer Perceptron and an Elman with a hidden layer. After preprocessing the input data and sensitivity analysis of the number of neurons in the hidden layer, seven neurons were chosen as the optimized number of neurons in the MultiLayer Perceptron with the correlation and mean square error of 77.1% and 1.31, respectively. Also, the Elman neural network showed the correlation and mean square error of 77.6% and 1.33, respectively. Thereafter, the fuzzy AHP method was applied for imposing weights, gaining by expert comments, on the input data resulted in improvements of the artificial neural networks. The results of this investigation have shown insignificant superiority of the MultiLayer Perceptron neural network for prediction of the rate of penetration comparing to the Elman neural networks. Therefore, the proposed weighted MultiLayer Perceptron neural network models the rate of penetration accurately and appropriately using available data.