ارزیابی عملکرد شبکه های عصبی مصنوعی تلفیق شده با الگوریتم های فراابتکاری وال و مورچگان در تخمین نرخ نفوذ حفاری و مقایسه با شبکه های عصبی ساده و مدل های ریاضی مرسوم

تخمین نرخ نفوذ (ROP) در یک فرایند حفاری از آن جهت که سبب انتخاب بهینه پارامترهای حفاری و کاهش هزینه های مصرفی عملیات میشود بسیار حایز اهمیت است. هدف اصلی از این مقاله، مدلسازی و تخمین ROP با استفاده از شبکه های عصبی پرسپترون چند لایه بهینه شده با الگوریتم وال (WOA-MLPNN)، شبکه های عصبی بهینه شده با الگوریتم مورچگان (ACO-MLPNN)، شبکه های عصبی پس انتشار خطا (BP-MLPNN) و دو مدل ریاضی شامل مدل بورگوان و یانگ (BYM) و مدل بینگهام میباشد. داده های مورد نیاز برای توسعه مدلها، از واحد نمودار گیری گل و گزارشات پایانی سه چاه حفاری شده در یک میدان نفتی واقع در جنوب غربی ایران جمع اوری شده است، که نخست به منظور حذف نقاط خارج از محدوده و کاهش نویز پیش پردازش شدند. در ادامه، از اطلاعات مقطع 12.25 اینچ دو حلقه چاه که شامل یک توالی مشابه از سازند های حفاری شده میباشند به منظور آموزش و آزمایش مدلها استفاده گردید و سپس مدلهای تولید شده، توسط اطلاعات چاه سوم مورد اعتبار سنجی قرار گرفتند. در پایان، عملکرد مدلها بوسیله شاخص های اماری و ابزار های گرافیکی مختلفی مورد ارزیابی قرار گرفت. نتایج این مطالعه نشان داد که روش های آموزش ماشین نسبت به مدلهای ریاضی مرسوم بسیار دقیقتر میباشند. همچنین، بررسی های بیشتر ثابت کرد که مدل WOA-MLPNN با مقادیر AAPRE برابر 3.19، 5.48 و 9.31 به ترتیب برای سه بخش آموزش، آزمایش و اعتبار سنجی بالاترین عملکرد را نسبت به سایر مدله ها دارا میباشد.