بخشی از مقاله
چکیده
پیش بینی صحیح و قابل اعتماد شرایط فرسایش مته درون چاه تاثیر بسزایی در نرخ نفوذ حفاری دارد. بنابراین طراحی مدل های مبتنی بر منطق فازی نسبت به شبکه عصبی میتواند در کاهش زمان ، هزینه و تصمیم گیری های بلادرنگ بسیار کمک کننده باشد. در این مطالعه سعی شده است تا با استفاده از سیستم استنتاج تطبیقی فازی – عصبی، مدلی ساخته شود که بدرستی درجه فرسایش دندانه های مته را پیش بینی کند. در طراحی این مدل از داده های مربوط به مته های مخروطی سی چاه حفاری در یکی از میدان های جنوبی ایران استفاده شده است.
پارامترهای ورودی طراحی عبارتند از : نوع مته، سایز مته، عمق ورودی، عمق خروجی، زمان حفاری، نرخ نفوذ، وزن روی مته، سرعت چرخش، دبی پمپ . با توجه به ضریب همبستگی بدست آمده به مقدار 0/97731 از داده های آزمایش که گویای نزدیکی مقادیر پیش بینی شده توسط مدل به مقادیر واقعی سر چاه می باشد، میتوان این مدل را بنا بر استفاده از داده های کمتر و دقت مطلوب تر، مدلی قابل اعتماد و البته کاربردی تر نسبت به مدل های شبکه عصبی با الگوریتم های آموزشی مبتنی بر گرادیان در صنعت دانست.
.1 مقدمه و مبانی نظری
در صنعت حفاری زمان حاصل از عملیات حفرچاه نقش تعیین کننده ای درهزینه های حاصل شده ایفا میکند بطوریکه همواره کاهش زمان حفاری بمنظور کنترل هر چه بهتر هزینه های ایجاد شده یکی از دغدغه های صنعت میباشد. نرخ نفوذ حفاری یکی از فاکتورهایی موثری است که تاثیر بسزایی در زمان و در نتیجه هزینه عملیات دارد. از طرفی فرسایش مته قادر به کاهش نرخ نفوذ خواهد بود. مته های مخروطی تحت تاثیر دو نوع فرسایش در یاتاقان ها و دندانه های خود قرار میگیرند که در این مطالعه به فرسایش دندانه های مته پرداخته شده است.
دندانه های مته حفاری براساس طول دندانه بین شرایط کاملا سالم و غیر قابل استفاده، بترتیب بین اعداد صفر تا هشت درجه بندی میشوند بطوریکه هرچه زمان حفاری با مته بیشتر باشد مته تحت تاثیر فرسایش بیشتری قرار میگیرد و اندازه طول دندانه ها کاهش پیدا کرده و در نتیجه درجه فرسایش مته بالا تر میرود با افزایش تدریجی درجه فرسایش مته قدرت نفوذ مته کمتر و بدلیل ناکارآمدی روش سنتی تعیین درجه فرسایش بصورت مشاهده ای و اندازه گیری مستقیم طول دندانه ها و دسترس نبودن مته در زمان حفر چاه تا زمان خروج مته از درون چاه نرخ نفوذ حفاری کاهش و به تبع آن زمان حفاری افزایش می یابد که برای عملیات حفاری مصرف زمان بیشتر منجر به بیشتر شدن هزینه خواهد شد که این امر به هیچ عنوان برای صنعت مطلوب نخواهد بود.
در همین راستا چندین مدل برای مشخص کردن میزان فرسایش مته حفاری بدون نیاز به خروج از چاه ارائه شد. گال و وودز [1] مدل ریاضی را که بیشتر برای سازندهای نرم مورد کاربرد بود ارائه دادند. کانینگهام [2] مدل دیگری ارائه داد که فقدان توانایی در آنالیز بلادرنگ فرسایش دندانه مته مشکل اصلی آنها بود. با ورود ابزار نمودارگیری در زمان حفاری مدل های دیگری مبتنی بر نتایج تجربی بدست آمد. مدل بورگسی و لسو[3]، که تنها در سازندهای رسی قابل استفاده بود.
هاربرت[4]، مدل دیگری را معرفی کرد که عدم کاربرد این مدل در شرایط تغییر ناگهانی وزن روی مته و همچنین تغییرات لیتولوژی این مدل را نیز کاربردی قرار نداد،. بیلگسو و همکارانش [5]، چندین شبکه عصبی برای پیش بینی میزان فرسایش مته، که تمام آن ها براساس شبکه های سه لایه ی پیشرو – پس انتشار طراحی شد بود ارائه کرد که فقدان پارامترهای تاثیر گذاری همچون نوع مته در طراحی شبکه بر پایین بودن دقت این شبکه ها دلالت میکرد. بنابراین با بکارگیری یک سیستم فازی اولیه با ساختار شبکه ای بهمراه روش آموزش هیبریدی سعی بر طراحی سیستمی بنام استنتاج تطبیقی فازی – عصبی یا انفیس خواهیم داشت تا با برطرف کردن محدودیت های مدل های گذشته خطای مدل جدید را کمینه و پیشبینی دقیقی از شرایط فرسایش مته را حاصل کند.
.2 روش و مراحل تحقی
.2.1 داده های مورد استفاده :
مجموعه دادههای بکار رفته در این مدل متشکل از پارامتر های حفاری ثبت شده سر چاهی از قبیل سایز مته، نوع مته، عمق ورودی و خروجی مته، دبی گل، نرخ نفوذ حفاری، سرعت چرخش مته حفاری، وزن روی مته و همچنین مدت زمان حفاری مرتبط به هرکدام از مته های استفاده شده درون چاه است. درجه فرسایش مته حفاری نیز بین اعداد صفر تا هشت که بترتیب نشان دهندهی دندانه های کاملاً سالم و دندانههای از بین رفته میباشد، بعنوان تنها خروجی مدل مورد استفاده قرار میگیرد. این داده ها متعلق به سی چاه حفر شده در بخش های مختلف یک میدان نفتی جنوبی کشور میباشد.
همچنین تمامی چاه ها به گونهایی انتحاب گردیدند که همگی متعلق به حوضه رسوبی و ساختار زمین شناسی یکسانی باشند. از میان این داده ها، که دو نوع از مته های رانده شده مخروطی و الماسی را در برمیگیرند، داده های مرتبط با مته های مخروطی که هدف مدل برآورد از تعیین فرسایش دندانه این نوع از مته ها میباشد، انتخاب شده و مورد استفاده قرار میگیرد. همچنین به منظور افزایش دقت و کارآمدی مدل، در طی فرایند انتخاب و تهیه پارامترهای ورودی، داده های مربوط به متههایی که پارامترهای ورودی آن درون گزارش وجود نداشته، حذف گردید. بازه پارامترهای استفاده شده درون مدل در جدول 1 نشان داده شده است.
.2.2 توصیف مدل و روش کار:
بنیاد منطق فازی بر شالوده نظریه مجموعه های فازی استوار است. این نظریه تعمیمی از نظریه کلاسیک مجموعهها در علم ریاضیات است. در تئوری کلاسیک مجموعه ها، یک عنصر، یا عضو مجموعه خواهد بود یا خیر. در حقیقت عضویت عناصر از یک الگوی صفر و یک تبعیت میکند. اما تئوری مجموعههای فازی این مفهوم را بسط میدهد و عضویت درجه بندی شده را مطرح میکند. منطق فازی و مجموعه فازی در واقع توسعهایی از منطق ارسطویی و منطق دو ارزشی است.
بطوریکه قدرت و انعطاف بسیار زیادی را همزمان به دست میدهد. از دیدگاه منطق فازی، مدل در مواجه با یک سیستم قادر خواهد بود از عملکرد صحیح سیستم برخوردارشود. چرا که توانایی بیان عدم قطعیت سیستم و حل مشکلاتی که روش احتمالات راهی برای آنها ندارد را خواهد داشت. بدین ترتیب با بکارگیری دانش زبانی بعنوان مزیت سیستمهای فازی و توانایی آموزش و یادگیری شبکه های عصبی، این تکنیکها با یکدیگر ترکیب و سیستم استنتاج تطبیقی فازی – عصبی پیشنهاد گردید.
در این روش، با استفاده از دادههای مدل، سیستم فازی با عدد مقدار دهی شده و رفتار سیستم فازی براساس داده های استفاده شده مورد بررسی قرار میگیرد.[6] همانند شبکه های عصبی، یه منظور نزدیک کردن رفتار سیستم به حالت قابل قبول، سیستم آموزش داده میشود. ایجاد قوانین در منطق فازی و بهره گیری از ساختار شبکهای و آموزش تطبیقی که ساختار سیستم را براساس کمترین خطا ساماندهی میکند، سیستم استنتاج تطبیقی فازی B عصبی را تشکیل میدهد.
.2.3 تهیه مدل استنتاج تطبیقی فازی - عصبی:
به منظور ایجاد مدل، ابتدا دادهها در محیط متلب پیاده سازی میشود و پارامتر هایی از قبیل: سایز مته، نوع مته، عمق ورودی و خروجی مته، دبی گل، نرخ نفوذ حفاری، سرعت چرخش مته حفاری، وزن روی مته و همچنین مدت زمان حفاری مرتبط به متههای استفاده شده بعنوان ورودی در نظر گرفته میشود. با بکارگیری یکی از سه روش مختصات شبکهای - برای داده های تک خروجی - ، دسته بندی کاهشی - برای داده های چند خروجی هم قابل استفاده میباشد - و دسته بندی میانگین فازی، یک ساختار سیستم فازی پایه ایجاد میشود .[7]
پس از تعیین ساختار سیستم فازی پایه، لازم است پارامترهای مربوط به آموزش سیستم استنتاج تطبیقی فازی – عصبی، تنظیم گردد. این پارامترها شامل اندازه گام ابتدایی، نرخ کاهش و افزایش گام میباشندکه می توان آنها را در جهت بهبود کارایی شبکه تنظیم کرد. در گام بعدی انتخاب نوع تابع عضویت بر اساس سهولت وسادگی، سرعت و بازدهی آن انجام می پذیرد .[8] در این مطالعه، ابتدا یک سیستم فازی پایه با دسته بندی کاهشی ایجاد شده که تعداد پنج تابع عضویت برای هر کدام از ورودیها انتخاب گردید. درجه عضویت هر کدام از ورودیها متاثر از مجموعه فازی بدست می آید.
این مجموعه قوانین ایجاد شده توسط سیستم فازی، برای هر کدام از ورودیها درجه عضویت و تعلقی را بعنوان خروجی در نظر میگیرد و هر خروجی را مرتبط با قوانین ایجاد شده معرفی میکند. در شکل 1 ساختار کلی انفیس را در مراحل فازی سازی از زمان ورود دادهها تا زمان دست یابی به خروجی، در حالت نافازی نشان میدهد. دادههای در دسترس به بخش آموزش، آزمایش و اعتبار سنجی همانند آنچه در شبکه های عصبی مرسوم است دسته بندی میشود.
پس از تعیین و تنظیم پارامترهای مربوط، سیستم با دریافت داده وارد مرحله آموزش میشود. در مسیر آموزش به منظور جلوگیری از محصور شدن در نقاط حداقل محلی، گامهای حرکتی بطور مداوم افزایش و کاهش مییابد. این امر باعث میشود آموزش شبکه بطور صحیح انجام گرفته و پیش بینی خروجی بر اساس میانگین مربعات خطای بین دادههای واقعی و دادههای پیش بینی شده توسط مدل، با خطای کمتری صورت گیرد،.[6] در گام بعدی جهت حصول اطمینان از صحت و جلوگیری از خطا در آموزش مدل، بخشی از دادهها همانند آنچه در شبکههای عصبی اتفاق میافتد، به اعتبار سنجی سیستم تعلق مییابد.
این امر باعث میشود که در حین فرایند آموزش، سیستم فازی پایهایی که کمترین مقدار خطا را برای دادههای اعتبارسنجی نشان میدهد انتخاب کرده و براساس آن مدل به درستی آموزش داده شود. همچنین در انتها مدل نسبت به دادههای نا آشنا آزمایش شده تا کارآمدی و قابلیت تعمیم دهی سیستم مورد بررسی قرار گیرد. بنابراین بخشی از مجموعه دادهها که در فرآیند آموزش سهیم نبودهاند، بعنوان دادههای آزمایش برای ارزیابی به مدل داده میشوند.
