پیش بینی مدت زمان مانده یابی به کمک شبکه های عصبی مصنوعی

عملیات مانده یابی در صنعت حفاری از اهمیت خاصی برخوردار است. از آنجا که این عملیات بسیار وقت گیر و هزینه بر بوده و هم چنین در مواردی نیز با مشکلاتی روبرو است، باید در مورد ادامه عملیات یا سیمان کردن مانده تصمیم مناسبی گرفته شود. در این تحقیق برنامه حفاری 120 حلقه چاه در میادین جنوب ایران مورد بررسی قرار گرفته و اطلاعات مربوط به 85 مورد مانده یابی ارزیابی شده است. این اطلاعات شامل 16 پارامتر در مورد خصوصیات چاه و گل حفاری و نوع مانده بود که در نهایت فقط سه پارامتر وزن گل، ویسکوزیته پلاستیک و عمق مانده به عنوان ورودی شبکه و ساعات مانده یابی به عنوان خروجی شبکه انتخاب شدند. بعد از نرمال سازی، 80 درصد داده ها برای آموزش و مابقی برای آزمایش انتخاب شدند. سپس شبکه عصبی مصنوعی پس خور طراحی شد و در ادامه از بین داده های موجود بهترین ویژگی ها به عنوان ورودی به شبکه داده شد. تعداد نرون ها و تکرارهای شبکه و هم چنین نوع تابع آموزش، بهینه شده و در نهایت شبکه چند لایه با دو لایه مخفی 7 و 3 نرونی با توابع محرک تانژانت سگموئید و لایه خروجی 1 نرونی با تابع خطی و 140 تکرار انتخاب شد. در نهایت موفقیت آمیز بودن عملیات مانده یابی با دقت 100 درصد پیش بینی شد و رگرسیون خطی 100 درصد برای داده های مورد آزمایش به دست آمد. سپس با تقریب عالی، مدت زمان عملیات تخمین زده شد. انطباق مناسب داده های پیش بینی شده با شبکه و داده های خروجی برای مجموعه تست، موید این امر بود. در این تحقیق نشان داده می شود که به کمک شبکه عصبی مصنوعی می توان برآورد اقتصادی مناسبی از عملیات مانده یابی را ارائه و تصمیمات لازم را برای ادامه عملیات اتخاذ نمود.