بخشی از مقاله
چکیده
سرعت حفاري یا به بیان دیگر نرخ نفوذ مته از مهمترین پارامترها در عملیات حفاري میباشد. از آنجا که عملیات حفاري سهم قابل توجهی از هزینه هاي اکتشاف و بهرهبرداري مواد هیدروکربوري را به خود اختصاص می دهد، تخمین سرعت حفاري از اهمیت ویژهاي برخوردار است. بدست آوردن ارتباط صحیح بین پارامترهاي حفاري جهت تخمین سرعت حفاري اهمیت بالایی دارد، که شبکه هاي عصبی قادر به بدست آوردن ارتباط صحیح بین پارامترهاي حفاري و نرخ نفوذ مته میباشند.
در این مقاله به تخمین سرعت حفاري با سیال کف با روش شبکه عصبی مصنوعی رگرسیون عمومی براي چاه شماره 6 میدان شانول، پرداخته میشود. میدان شانول واقع در جنوب ایران، منطقه فارس ساحلی میباشد. این میدان جزء میادین گازي کشور بوده که چاه شماره 6 این میدان حدود 2800 متر با کف حفاري شده است. نتایج حاصل نشان دهنده قابلیت بالاي شبکه عصبی در تخمین سرعت حفاري با توجه پارامترهاي دخیل در حفاري می باشد.
مقدمه
کشور ایران یکی از کشورهای مستعد از لحاظ منابع نفت و گاز است در نتیجه توسعه میدانهای نفتی و گازی با استفاده از روش هایی مانند حفاری فرو تعادلی در کشور از اهمیت خاصی برخوردار است. در همین راستا بدست آوردن رابطهاي بین پارامترهاي حفاري جهت تخمین سرعت حفاري به عنوان کاهش هزینه حفاري بسیار قابل اهمیت میباشد. نرخ نفوذ حاصل از مته حفاري به همراه نرخ فرسودگی مته، تاثیري قطعی و مستقیم روي هزینههاي حفاري به ازاي هر فوت دارند.
اندازهگیري سرعت حفاري از اهمیت زیادي براي زمینشناس بر خوردار است. زیرا شاخص بلاواسطهاي را براي او فراهم میکند که نسبت به تغییرات لیتولوژي حساس بوده و می تواند در کنار نتایج حاصل از چاه پیمایی مورد بررسی قرارگیردب1م. در مطالعات عوامل موثر بر سرعت حفاري ما با متغیرهایی سروکار داریم که به نوعی با چند متغیر دیگر در ارتباط هستند. در نتیجه براي بهتر و صحیحتر جواب گرفتن جهت تخمین سرعت حفاري، میبایست از روش رگرسیون خطی چند متغیره و یا شبکههاي عصبی مصنوعی براي برقراري نوعی ارتباط بین این متغیرها استفاده نمود.
شبکههای عصبی مصنوعی اخیرﹰا کاربردهای زیادی در علوم مختلف داشتهاند که قابلیت بالای آنها را در کارهای مختلف به خصوص در مهندسی نفت میتوان مشاهده نمود]٣و٢.[ شبکه عصبی رگرسیون عمومی در واقع نوعی شبکه شعاعی با ساختار موازی است. این شبکه با توجه به سرعت زیاد برآورد و همچنین پارامترهاي کمتر قابل تنظیم نسبت به شبکه پس انتشار خطا، در بسیاري از موارد ارجحیت دارد.
در این زمینه استفاده از این شبکه میتوان به مدل سازي و تشخیص الگوي زمینشناسی با شبکه عصبی رگرسیون عمومی - هوانگ و ویلیامسون، [4] - 1994 ، تعیین خواص مخزن با استفاده از معکوسسازي هوشمند دادههاي لرزهاي - آرتن و همکاران، - 2005 [5]، و توسعه نگارهاي مصنوعی هوشمند - رولان، [6] - 2004، اشاره کرد. در این مطالعه در نظر است با اجراي یک رشته کدنویسی در محیط نرم افزار متلب توانمنديهاي این روش براي برآورد سرعت حفاري در چاه شماره 6 میدان شانول به کمک دادههاي پارامترهاي حفاري این چاه مورد بررسی قرار گیرد.
زمینشناسی منطقه
میدان گازي شانول در منطقه فارس ساحلی، حدود 200 کیلومتري جنوب شیراز قرار دارد. چاه شماره 6 این میدان به صورت عمودي تا عمق 3584متر حفر شده است، که از عمق 76 متري تا 2929 متري این چاه با سیال کف حفاري شده است. شکل 1 نقشه توپوگرافی شانول را نشان میدهد و همچنین موقعیت چاه شماره 6 شانول را در این میدان، نسبت به دیگر چاهها نشان میدهد. سازندهاي موجود در این میدان به ترتیب شامل سازند میشان، سازند گچساران، سازند آسماري و جهرم، سازند پابده، سازند گورپی، سازند ایلام، سازند لافان، سازند سروك، سازند کژدمی، سازند داریان، سازند گدوان، سازند فهلیان، سازند هیث، سازند سرمه، سازند نیریز، سازند دشتک، سازند کنگان و سازند دالان میباشد. در این چاه از بالاي سازند گچساران تا بالاي سازند کنگان حفاري با سیال کف شده است. به علت زیادي توضیح لیتولوژي فقط نام لیتولوژي این سازندها گفته میشود، و باید توجه داشت که این لیتولوژيها در سازندهاي مختلف نام برده شده با رنگ و مقاومت مختلفی میباشند. لیتولوژي سازندهاي نام برده شده شامل سنگ آهک، سنگ سیلیت، دولومیت، سنگ رس، انیدریت و شیل میباشد.
شبکه عصبی مصنوعی رگرسیون عمومی5
GRNN را میتوان به عنوان یک شبکه شعاعی نرمالیزه شده در نظر گرفت که براي هر الگوي آموزشی یک نرون در لایه پنهان دارد. این شبکه یک الگوریتم یادگیري تک گذر با ساختار موازي است که در سال 1990 توسط اسپچت6 اختراع شد. این شبکه بر اساس تابع چگالی پایه گذاري شده و از خصیصههاي آن زمان آموزش سریع و مدل سازي توابع غیر خطی است. صورت الگوریتمی این شبکه براي هر مسئله رگرسیونی در جایی که هیچگونه فرضیاتی براي قضاوت خطی بودن نباشد، میتوان استفاده کرد. این شبکه پارامترهاي شبکه پس انتشار خطا را ندارد ولی در عوض فاکتور تعدیلی دارد که مقدار بهینه آن در طی آموزش با سعی و خطا با توجه به میانگین مربعات خطا بدست میآید.[7] همانطور که در شکل 2 نشان داده شده است، ساختار این شبکه شبیه به ساختار کلی شبکه شعاعی است؛ فقط تفاوت جزئی در لایه دوم دارد .[8]
