بخشی از مقاله
چکیده
اسیدکاری گسترده چاههای نفت و گاز، عملیاتی پر هزینه است. بنابراین تخمین نتایج، قبل از اجرای آن در برنامهریزی و اولویت بندی عملیات بسیار موثر خواهد بود. شبکههای عصبی مصنوعی قابلیت بسیار زیادی در تخمین توابع و روابط دارند.
در این مقاله برای بررسی اسیدکاری های گسترده انجام شده در یکی از میادین بزرگ جنوب غربی کشور از این روش نوین استفاده شده است، به طوری که نتایج آن برای عملیات آینده در این میدان، می تواند مد نظر قرار گیرد. داده های ورودی به شبکهی عصبی مصنوعی طراحی شده شامل 71 متغیر برای هر چاه بود که از 69 حلقه چاه میدان یادشده به دست آمده است.
%70 اطلاعات به دست آمده برای آموزش به شبکه عصبی مصنوعی و %30 باقیمانده برای آزمون صحت به کار گرفته شده است. به منظور به دست آوردن بهترین حالت ساختار شبکه عصبی مورد نیاز، تعداد لایههای میانی، تعداد نوترون های لایه میانی، تعداد تکرار محاسبات مورد نیاز و انواع توابع انتقال مورد آزمون و خطا قرار گرفته و نهایتا شبکه عصبی مصنوعی مورد نیاز، تعداد لایههای میانی، تعداد نوترون های لایه میانی، تعداد تکرار محاسبات مورد نیاز و انواع توابع انتقال مورد آزمون و خطا قرار گرفته و نهایتا شبکه عصبی مصنوعی بهینهای با تابع انتقال زیگموئید طراحی گردیده است
این شبکه عصبی مصنوعی، دبی چاههای مورد اسیدکاری گسترده را با دقت بالایی پس از عملیات اسیدکاری گسترده تخمین میزند. همچنین در این مقاله تاثیر افزایههای اسیدکاری از جمله افزایهی کنترل کننده ی یون آهن و نشت بند های موقت و کارایی و سیستمهای اسیدکاری مورد استفاده در عملیات انجام شده، مورد بررسی قرار گرفته است.
-1 مقدمه
اسیدکاری یکی از بهترین روشهای انگیزش چاه برای برطرف نمودن آسیب سازندی و افزایش بهرهدهی چاههای نفت و گاز میباشد. تجربه نشان داده است که با طراحی عملیات مناسب، میتوان بهبود چشمگیری در تولید یک سازند حاصل کرد. یک رویکرد منطقی که متضمن موفقیت عملیات تحریک چاه است، شامل مراحل انتخاب چاه مناسب برای عملیات، شناسایی آسیب سازند، انتخاب روش انگیزش مناسب، طراحی صحیح، اجرا و ارزیابی عملیات است.
در دنیا تعداد زیادی عملیات اسیدکاری موفق در مخازن با خصوصیات متفاوت گزارش شده است. دربرخی موارد نیز موفقیت در عملیات تحریک چاه منجر به ادامه حیات یک میدان نفتی شده است. شبکه های عصبی مصنوعی، تقلیدی بسیار ساده از فرآیندی است که توسط شبکه عصبی بیولوژیکی انجام میپذیرد.
شبکه عصبی می تواند به عنوان یک سیستم پردازشگر اطلاعات تعریف شود که خصوصیات اجرایی شبیه به شبکههای عصبی بیولوژیکی دارد. از این شبکه ها میتوان به عنوان یک رگرسیون پیچیده برای بررسی و مدول نمودن عملیات اسیدکاری گسترده استفاده کرد و سیستمهای اسیدکاری و افزایههای اسیدی مورد استفاده را در میدان مورد مورد نظر بررسی نمود و تقریب دقیقی از چاههای میدان به دست آورد
بنابراین کاربرد شبکههای عصبی در حل مسائلی است که نیاز به دادههای بسیار زیادی دارد. شبکهی عصبی در واقع همچون یک انسان است که میتواند بیاموزد، تجربه کسب کند و از این تجربیات در مسائل مشابه استفاده کند.
شکل 1.1 سلولهای عصبی بیولوژیکی
شکل Error> No text of specified style in 2.document. نواحی اصلی یک سلول عصبی
-2 معرفی شبکههای عصبی مصنوعی
شبکههای عصبی مصنوعی برای حل مسایلی به کار میروند که فرمول آنها ناشناخته است یا ابهام قابل ملاحظه ای در مدل ریاضی آنها وجود دارد. یک شبکه ی عصبی مصنوعی بر خلاف کامپیوتر که نیازمند دستورهای کاملا صریح و مشخص است، به مدلهای ریاضی محض نیاز ندارد، بلکه مانند انسان تجربه کسب کرده و سپس نتیجهی این تجربیات را تعمیم میدهد
شکل 1.2 شبکه عصبی انسان
شکل 2.2 سلول عصبی و بیولوژیکی
-2-1 مراحل حل مسالع شبکه عصبی مصنوعی
شبکههای عصبی مصنوعی برای حل هر مساله، سه مرحله را طی میکنند.
-2-1-1 مرحله آموزش
آموزش فرایندی است که طی ان شبکه یاد میگیرد تا الگوی موجود در ورودیها را که به صورت مجموعه دادههای آموزشی است، بشناسد. برای این منظور هر شبکهی عصبی از قوانین خاصی که چگونگی یادگیری را تعییین میکنند، استفاده می نماید.
-2-1-2 مرحله تست
تست در واقع توانایی شبکه برای ارائهی جواب قابل قبول در قبال ورودیهایی است که در مجموعهی آموزشی نبودهاند.
-2-1-3 مرحله اجرا
استفاده ازشبکه برای عملکردی که بدان منظور طراحی شده است را اجرا گویند.
در فرایند آموزش، اوزان داخلی که بر ورودیها اعمال میشوند، آن قدر تغییر میکنند تا به وضعیت مناسب برسند. یکی از ضعفهای شبکه عصبی مصنوعی این است که نتیجه آموزش، یعنی اوزان داخلی، هیچگونه تصویر روشنی از اعتبار جوابهای مساله به دست نمیدهد. به همین دلیل به شبکههای عصبی مدلهای جعبه سیاه گویند. با این وجود جوابهای شبکه در اغلب موارد صحیح بوده و با شرایط کمّی حاکم بر محیط سازگاری دارد. گاهی این صحت جوابها و صدقشرایط کمّی حاکم برمحیط، مهمتر از توضیح پذیر بودن ان است
شکل 3.2 مدل نوترون مصنوعی
-2-2 ساختار شبکههای عصبی مصنوعی
نوترون ها عنصر اساسی و در واقع پردازشگرهای اصلی شبکه هستند. یک شبکهی عصبی مصنوعی از سه لایه تشکیل شده است
شکل 4.2 شبکه های عصبی با ساختار سه لایه
-2-2-1 لایه ورودی
این لایه اطلاعات را دریافت مینماید. هر نوترون قرار داده شده در لایه ورودی با همهی نوترون ها در لایه میانی ارتباط دارد، یه طوری که پردازش اطلاعات هم زمان و به صورت موازی انجام میشود. به طریقی مشابه، لایه میانی به لایه خروجی مرتبط است.
-2-2-2 لایه پنهان
درواقع اطلاعات تغذیه شده از محیط به شبکه عصبی مصنوعی را تجزیه و تحلیل می کند.
-2-2-3 لایه خروجی
نتیجهی تجزیه و تحلیل را دریافت و به تفسیر معنی داری تبدیل کرده تا ان را به محیط عرضه نماید.
-2-2-4 شبکه های عصبی پیش خور - استاتیک یا انتشار به سمت جلو -
ویژگی این شبکهها این است که مستقل از زمان هستند، به عبارت دیگر خروجی در لحظه جاری فقط وابسته به ورودیهای جاری است. - شکل - 5-2، انتشار به سمت جلو را نشان میدهد.
شکل 5.2 انتشار به سمت جلو
-2-2-5 شبکه های عصبی پسخور - دینامیک برگشتی -
در این سیستمها سیگنالهای خروجی در لحظه جاری، به طور معمول وابسته به سیگنالهای خروجی در لحظه جاری، به طور معمول وابسته به سیگنالهای ورودی در لحظهی گذشته و جاری هستند.
-2-3 الگوریتم پس انتشار خطا
این الگویتم رایجترین و متداولترین تکنیک آموزشی با ناظر است. یادگیری در این الگوریتم بر اساس قانون اصلاح خطا بنا شده است. یادگیری از این طریق طی دو مرحله صورت میگیرد:
-2-3-1 مرحلهی اول یا مسیر رفت
در این مرحله، بردار ورودی به شبکه عرضه شده و به صورت لایه به لایه پیش میروند و درپایان، یک سری خروجی به عنوان جواب مطلوب شبکه تولید میکند. در این مرحله پارامترهای شبکه ، ثابت و بدون تغییر باقی می مانند - اوزان اتصال ثابت است - .
-2-3-2 مرحلهی دوم یا مسیر برگشت
در این مرحله پارامترهای شبکه - اوزان اتصال - بر اساس قانون اصلاح خطا، تغییر میکنند. سیگنال خطا در این جا تفاضل جواب حقیقی شبکه و جواب مطلوب است
