ارائه روش نوترکیب هوش مصنوعی جهت پیش ‌بینی نرخ نفوذ با استفاده از نگاره های حفاری

انجام فعالیت‌های حفاری، جهت دسترسی به منابع ارزشمند هیدروکربوری، ناگزیر می‌باشد. چنان که یکی از پارامترهای مهم و پرکاربرد در مبحث حفاری چاه های نفت و گاز، نرخ نفوذ مته حفاری است. در این مطالعه جهت تخمین نرخ نفوذ، از اطلاعات مربوط به سه چاه از یک میدان نفتی واقع در جنوب غرب ایران و ترکیبی از الگوریتم های نزدیک‌ترین همسایه k، الگوریتم زنبورعسل، الگوریتم کرم شب‌تاب و پرسپترون چندلایه استفاده شده است. از قابلیت های شاخص این الگوریتم نو ترکیب، کاهش نویز داده‌ها و افزایش دقت پیش بینی پارامتر موردنظر می‌باشد. نتایج نشان داد که خطای جذر میانگین مربعات برای داده‌های مربوط به آموزش، آزمایش و اعتبارسنجی به ترتیب برابر با 1.05، 1.52 و 1.48 بوده که خود نشان‌ دهنده ‌ی دقت عملکرد بالای این الگوریتم نو ترکیب می باشد. همچنین با بررسی ضریب پیرسون مشخص گردید که پارامتر اندازه نازل مته حفاری با مقدار نرخ نفوذ رابطه مستقیم و مقادیر چگالی، نقطه تسلیم، ویسکوزیته پلاستیک، انرژی ویژه مکانیکی و جریان ورودی گل با مقدار نرخ نفوذ رابطه عکس داشته‌اند. لذا این تحقیق، علاوه بر ارائه یک مدل نوترکیب، به بررسی پارامترهای تاثیرگذار بر روی نرخ نفوذ حفاری نیز پرداخته است. لذا محققان می‌توانند از الگوریتم معرفی‌شده در این مقاله برای پیش‌بینی سایر پارامترهای کلیدی مخزن، تولید، حفاری و ژئوفیزیک استفاده نمایند.