بهبود مدل پیش‌بینی رفتار رئولوژیکی سیال حفاری با استفاده از شبکه عصبی

Authors

ترانه جعفری‌بهبهانی پژوهشکده پالایش نفت، پژوهشگاه صنعت نفت، تهران، ایران

مرتضی رجبی هشتجین گروه مهندسی نفت، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی، واحد تهران مرکز، ایران

Abstract:

با توجه به تأثیر پارامترهای فراوان بر روی رفتار رئولوژیک سیال حفاری، تعیین دقیق رفتار رئولوژیک سیال حفاری حائز اهمیت است. ازاین‌رو حذف روش‌های آزمایشگاهی که به‌صورت سعی و خطا انجام می‌گیرد و نیاز به استفاده از روش‌های هوشمند ازجمله شبکه‌های عصبی مصنوعی، به‌شدت احساس می‌شود. در تحقیق حاضر برای پیش‌بینی خواص رئولوژیکی سیال حفاری، شامل پلاستیک ویسکوزیته، ویسکوزیته قیف و نقطه تسلیم از اطلاعات چهار چاه مربوط به یک میدان نفتی شامل 240 ردیف اطلاعات (4080 داده) جهت آزمون و 23 ردیف (391 داده) جهت تست مدل استفاده شد. پارامترهای موجود در این اطلاعات شامل 14 نوع مواد سیال، عمق، نوع سازند و دما (جمعاً 17 پارامتر) است. سپس با استفاده از شبکه‌های عصبی مصنوعی، ابتدا ساختارهای مختلف شبکه عصبی جهت پیش‌بینی خواص رئولوژیکی سیال حفاری ساخته شد و درنهایت سه مدل بهینه مجزا برای ویسکوزیته پلاستیک، ویسکوزیته قیف و نقطه تسلیم طراحی شد که در هر سه مدل، شبکه دارای دو لایه با 17 ورودی و یک خروجی در لایه آخر بوده و تعداد نرون‌های لایه پنهان، 16 نرون برای مدل ویسکوزیته پلاستیک 19 نرون برای مدل ویسکوزیته قیف و مدل نقطه تسلیم تعیین شد. ضرایب همبستگی آزمون این مدل‌ها در نهایت، 99/0 برای مدل ویسکوزیته پلاستیک، 98/0 برای مدل نقطه تسلیم و 97/0 برای ویسکوزیته قیف به‌دست آمد که نشان‌دهنده انطباق بالای نتایج آزمون با واقعیت بود. درنهایت نیز مدلی آماری با استفاده از نرم‌افزار SPSS ساخته شد.

Upgrade to premium to download articles

Already have an account?login

similar resources

تخمین سرعت حفاری با سیال کف با استفاده از شبکه عصبی مصنوعی رگرسیون عمومی

full text

بررسی رفتار رئولوژیکی سوسپانسیون های حاوی سیال قانون توانی با استفاده از ترکیب روش شبکه بولتزمن و نمایه هموار

در تحقیق حاضر، از یک الگوریتم عددی جدید برمبنای ترکیب روش شبکه بولتزمن و نمایه هموار برای بررسی حرکت تعدادی ذره دایره ای شکل درون سیال غیرنیوتنی قانون توانی در جریان برشی استفاده شده است. در ابتدا تغییرات سرعت سیال در مقادیر مختلف اندیس قانون توانی (n) آنالیز گردید و نتایج آن با نتایج عددی به دست آمده از سایر تحقیقات گذشته مقایسه شد. در این تحقیق، برای اولین بار رفتار رئولوژیکی ذرات دایره ای ش...

full text

بهبود خواص رئولوژیکی و تریبولوژیکی گل حفاری با استفاده از نانوذرات

This article has no abstract.

full text

کاربرد الگوریتمهای مختلف یادگیری در پیشبینی قیمت سهام با استفاده از شبکه عصبی

پیشبینی قیمت سهام یکی از موضوعهای مهم مالی است، چرا که دادههای قیمت سهام دارای تغییر پذیری زیاد، پیچیدگی، دینامیک و آشوبگونه است،بنابراین ارتباط نامشخص بین قیمت سهام و عوامل مؤثر کاملا پویا است. بنابراین مسأله پیشبینی قیمت سهام تنها بوسیله یک برنامه کامپیوتری کاردشواری است.در این تحقیق، ابتدا بوسیله آزمون گردش، امکان پیشبینی قیمت سهام شرکت صنایع ملی مس ایران بررسی گردید. سپس رابطه همبستگی هشتبر...

full text

پیش‌بینی خصوصیات رئولوژیکی بنیادی خمیر با استفاده از شبکه عصبی-الگوریتم ژنتیک

سابقه و هدف: خمیر محصول میانی خطوط تولید صنایع نانوایی است که ویژگی‌های رئولوژیکی آن نمایانگر خصوصیات فیزیکوشیمیایی مواد اولیه و مؤثر بر ویژگی‌های کیفی فرآورده نهایی است. با توجه به کارایی بالای شبکه‌های عصبی مصنوعی در آموزش‌پذیری و پردازش موازی داده‌ها با روابط غیر خطی، هدف از این پژوهش تهیۀ مدل‌هایی مناسب به منظور پیش‌بینی خصوصیات رئولوژیکی خمیر با توجه به ویژگی‌های فیزیکوشیمیایی آرد است. مو...

full text

بررسی استفاده از سیال های حفاری سازگارتر با محیط زیست

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}

Journal title

پژوهش نفت

volume 27 issue 6-96

pages 46- 58

publication date 2018-02-20

unfollow

{@ msg @}

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

ویسکوزیته پلاستیک ویسکوزیته قیف نقطه تسلیم شبکه عصبی مصنوعی مدل آماری

Hosted on Doprax cloud platform doprax.com