کاربرد محاسبات نرم جهت بهینه سازی انتخاب مته با استفاده از هوش مصنوعی و الگوریتم های ژنتیک

مهندسان حفاری قبل از شروع یا حین حفاری یک چاه جدید با چالش های زیادی مواجه می شوند. متغیرهای زیادی وجود دارد که با سخت افزار و عملیات های روزانه مرتبط بوده و با پیشرفت حفاری برای آنها برنامه ریزی شده و تنظیم می گردند. از این متغیرها، انتخاب مته یکی از مهم ترین ملاحظات جهت برنامه ریزی و طراحی چاه جدید است. اگرچه از آنجا که عوامل مختلف عملکرد مته روابط پیچیده ای با خواص سازند، طراحی بدنه ی مته و متغیرهای عملیاتی دسته بندی درخور مته کار سختی است. هدف اصلی روش پیشنهاد شده عبارت است از ارزیابی شرایط فعلی سیستم حفاری جهت بهینه سازی کلی کارآیی حفاری و کاهش احتمال فرسایش زودهنگام مته ی حفاری.
روش مرسوم انتخاب مته بیشتر بر اساس تجربه ی حفاری در میدان یا روابط ریاضی ای است که بیشتر بر پایه ی عملکرد مته های مشابه در چاه های آفست به دست آمده اند. آشکار است که این روابط پیچیده بین متغیرها را نمی توان در یک معادله ی ساده ی ریاضی بیان کرد. ثابت شده که در اینچنین موارد پیچیده ای به کارگیری هوش مجازی و شبکه های عصبی مصنوعی (ANNها) در فهم روابط پیچیده ی بین متغیرها بسیار ارزشمند است.
در این مطالعه دو مدل مناسب با استفاده از ANNها توسعه داده شده است. مدل اول انتخاب مناسب مته بر اساس ROP مطلوب و بر اساس متغیرهای حفاری مشخص انجام می شود. مدل دوم از متغیرهای حفاری مناسب، که خود از طریق روند بهینه سازی به دست آمده اند، استفاده کرده تا مته ای که حداکثر ROP ممکن را نتیجه می دهد بیابد. در این میان، الگوریتم ژنتیک (GA) مثل یک دسته از روش های بهینه سازی برای توابع پیچیده، استفاده می شود. توابع رابطه ی مورد استفاده برای پیش بینی انواع مته و متغیرهای حفاری بهینه در شبکه های آزمایشی حاصل به ترتیب برابر با 95/0 و 9/0 هستند.
مولف معتقد است که روش پیشنهاد شده، موقعیت های جدیدی برای بهینه سازی زمان واقعی و برای حفاری میدانی ایجاد کند که می توان آنها را به طور موثری در محدوده ی عملیات های حفاری موجود اعمال کرد.