محاسبه پنجره بهینه وزن گل حفاری با استفاده از روش‌های یادگیری ماشین

یکی از پارامتر های قابل کنترل جهت جلوگیری از ناپایداری چاه وزن گل حفاری می باشد. از این رو برای محاسبه این مهم, به طور معمول از ساخت مدل زمین مکانیکی یک بعدی توسط داده های بدست آمده از نگار های چاه پیمایی استفاده می‌شود. این درحالی است که استفاده از گزارش روزانه بدست آمده در طی عملیات حفاری نسبت به داده‌های بدست آمده از چاه پیمایی, علاوه بر صرفه جویی در وقت, از صرفه اقتصادی نیز برخوردار است. در این پژوهش به محاسبه پنجره ایمن گل حفاری با استفاده از گزارش روزانه حفاری و نیز تخمین آن با استفاده از روش‌های نوین هوش مصنوعی از جمله شبکه عصبی مصنوعی (ann) و نیز برنامه ریزی ژنتیک چند ژنه (mggp) پرداخته شده است. داده های حفاری بکار برده شده شامل نرخ ورودی گل، نرخ خروجی گل، نرخ جریان و گردش بر دقیقه است. براساس مطالعه حاضر نتایج نشان می دهد که الگوریتم mggp و ann به ترتیب بالاترین عملکرد در تخمین breakdown و breakout ارائه می دهند. نحوه ی مقایسه هر کدام از مدل ها با یکدیگر به تفصیل در متن ارائه شده است.

optimal mud weight window calculation using machine learning methods

one of the controllable parameters which is able to prevent well instability is the drilling mud weight. therefore, finding the right drilling mud weight, which is also known as the safe drilling mud window, has become one of the challenges in the oil industry and specifically, in the drilling of hydrocarbon wells. to calculate this important parameter, one-dimensional mechanical earth model is usually used by the data obtained from the well logs. this is while using the daily drilling report operation compared to the data obtained from the survey well, in addition to saving time, it is also economical. in this research, the calculation of the safe mud window of the drilling using the daily drilling reports and its estimation using modern artificial intelligence methods such as artificial neural network (ann) and multi-gene genetic programming (mggp) have been discussed. due to the lighter mathematical calculations and the acceptable accuracy of the results obtained from the equation provided by the mggp method, the use of this artificial intelligence method in estimating the safe window of drilling mud is suggested in terms of speed, accuracy and efficiency.