مدل‌سازی عددی هرزروی سیال حفاری در میدان نفتی مارون

پدیده هرزروی همواره به عنوان یک معضل در صنعت نفت مطرح بوده است. وقوع هرزروی ممکن است مقادیر اندک تا بسیار زیاد سیال حفاری را شامل شود. علاوه بر از دست رفتن سیال حفاری، اتلاف زمانی نیز مسئله مهمی است چراکه تعویق در عملیات حفاری را به دنبال دارد که خود سبب رشد فزاینده هزینه‌های حفاری می‌گردد. همین عوامل بررسی همه‌جانبه این مسئله را به امری اجتناب ناپذیر مبدل می‌کند. در این مقاله کوشش شده است تا با استفاده از ابزارهای هوش مصنوعی مقدار هرزروی در میدان نفتی مارون پیش بینی شود. بدین منظور با استفاده از 2666 داده حفاری، مدل‌هایی توسط شبکه عصبی پرسپترون چندلایه، روش سازماندهی گروهی داده‌ها، شبکه عصبی با توابع پایه شعاعی، ماشین‌های بردار پشتیبان، سیستم استنتاج عصبی-فازی انطباقی و درخت تصمیم گیری ساخته شده است. از داده‌های طول حفاری، اندازه چاه، وزن روی مته، دبی پمپ، فشار پمپ، گرانروی، تنش برشی در دور 600، تنش برشی در دور 300، مقاومت ژل، زمان حفاری، عمق حفاری، درصد مواد جامد به دست آمده از تست ریتورت، چرخش مته، نوع سازند، فشار منفذی، فشار سیال حفاری، فشار شکست سازند، شمال جغرافیایی و شرق جغرافیایی به عنوان ورودی ساخت مدل‌ها استفاده و داده‌های اندازه گیری مقدار هرزروی نیز به عنوان خروجی مدل منظور شده است. نتایج حاصل از پیش‌بینی مدل‌های مذکور توسط پارامترهای آماری با یکدیگر مقایسه شده است. بررسی‌ها نشان می‌دهد که تمامی این روش‌ها در تخمین مقادیر هرزروی تا حد مناسبی موفق عمل کرده‌اند، اما مدل درخت تصمیم گیری نتایج دقیق‌تری داشته است.