کاربرد شبکه‌های عصبی مصنوعی در پیش‌بینی شدت ارتعاشات پیچشی سیستم‌های هدایت‌شونده دوار در حفاری انحرافی

امروزه با توجه به کاربرد روزافزون سیستم‌های هدایت‌شونده دوار (rotary steerable systems) در حفاری انحرافی، شناخت هرچه دقیق‌تر مکانیزم دینامیکی عملکرد آن‌ها به امری ضروری تبدیل شده است، این سیستم‌ها به‌گونه‌ای طراحی شده‌اند که حداکثر مقاومت را در برابر ارتعاشات حفاری داشته باشند. ازآنجایی‌که سیستم‌های هدایت‌شونده دوار ناگزیر در معرض ارتعاشات پیچشی طولانی‌مدت قرار دارند، که علاوه بر خرابی احتمالی، باعث کاهش نرخ نفوذ این سیستم‌ها می‌شوند. بنابراین، توانایی پیش‌بینی این ارتعاشات در سیستم مذکور می‌تواند نقش موثری در افزایش دقت بهینه‌سازی حفاری انحرافی، کاهش زمان غیر مولد و هزینه‌های حفاری داشته باشد. الگوریتم‌های یادگیری ماشین می‌توانند این‌گونه تحولات را به‌صورت پویا و دقیق مورد بررسی قرار دهند. هدف از این پژوهش نمایش دقت شبکه عصبی مصنوعی (ann) در پیش‌بینی شدت ارتعاش پیچشی یا چسبش/لغزش (stick/slip) سیستم‌های هدایت‌شونده دوار می‌باشد. نتایج حاصله بیانگر آن است که با استفاده مناسب از یک شبکه عصبی مصنوعی می‌توان تاثیر پارامترهای دینامیکی بر سیستم‌های هدایت‌شونده دوار را با دقت 9/89 % و خطای کمتر از 05/0 رصد کرد. این‌گونه نتایج می‌توانند راهبرد مناسبی را برای صنایع وابسته فراهم آورد.

rss torsional vibration severity prediction in deviated drilling:an application of artificial neural networks

nowadays, due to the increasing use of rotary steerable systems (rss) in deviated drilling, it has become necessary to know more precisely the dynamic mechanism of their operation, these systems are designed to resist drilling vibrations as much as possible, however, inevitably they are subject to long-term exposure to these vibrations. torsional vibrations, in addition to possible failure, reduce the penetration rate of the rotary guided system, so the ability to predict these vibrations can play a significant role in the accuracy of deviation drilling optimization with these systems and reduce non-productive time and drilling costs, which machine learning algorithms have a high potential in these types of studies. the purpose of this study is to demonstrate the high accuracy of artificial neural network (ann) in predicting the intensity of torsional vibration (stick/slip) of rotary steerable systems, which by choosing appropriate input and output parameters and optimal design, an artificial neural network with an accuracy of 89.9% and an error of less than 0.05 was yielded.