این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش نفت، جلد ۲۱، شماره ۶۵، صفحات ۴۷-۵۷
عنوان فارسی پیش‌بینی گیر اختلاف فشاری لوله‌های حفاری با استفاده از شبکه عصبی مصنوعی احتمالی در حفاری فراساحلی میادین خلیج فارس
چکیده فارسی مقاله گیر اختلاف فشاری یکی از مسائل رایج و مخاطره‌آمیز در حفاری می‌باشد که وقوع آن منجر به افزایش هزینه تمام شده عملیات حفاری می‌گردد. تلاش برای حداقل‌سازی خطر گیر لوله حفاری، امروزه یکی از اولویت‌ها و اهداف اصلی می‌باشد. در گذشته از روش‌های آماری برای بررسی گیر اختلاف فشاری استفاده می‌شد، اما این روش‌ها نمی‌توانند به خوبی رفتار غیرخطی گیر اختلاف فشاری را پیش‌بینی نمایند. شبکه عصبی روش جدیدی برای حل مسائل مهندسی می‌باشد که توانایی در نظر گرفتن همه پارامترهای مؤثر به طور هم‌زمان را دارد و همچنین قدرت تعمیم و یادگیری مستقیم از داده‌های میدانی (با در نظر گرفتن خطاها و عدم قطعیت‌ها) را دارا می‌باشد. در این تحقیق از داده‌های مربوط به 63 حلقه چاه در میادین فراساحلی خلیج فارس، با به‌کار گیری شبکه عصبی احتمالی برای ارائه یک مدل پیش‌بینی کننده، استفاده شده است. دقت بالای این مدل در پیش‌بینی گیر اختلاف فشاری، این امکان را می‌دهد که ‌بتوان از آن در زمان طراحی چاه و همچنین حین عملیات به صورت هم‌زمان بهره جست. تحلیل نتایج شبکه عصبی به همراه قضاوت مهندسی، این اجازه را می‌دهد که با بهینه‌سازی پارامترهای مؤثر، از وقوع گیر اختلاف فشاری اجتناب نمود.
کلیدواژه‌های فارسی مقاله گیر اختلاف فشاری، شبکه عصبی احتمالی، خصوصیات گل حفاری،
عنوان انگلیسی Prediction of Differential Pipe Sticking by Using Probabilistic Artificial Neural Network in Offshore Persian Gulf Oil Fields
چکیده انگلیسی مقاله Differential pipe sticking is one of the usual and hazardous problems during drilling operation that leads to increasing the total cost. Nowadays minimizing the risk of stuck occurrence is one of the priorities and main goals in petroleum industry. In the past, statistical methods were applied to investigate differential pipe sticking, but these methods cannot remarkably predict the non-linear behaviors. Artificial neural network is a novel method for solving engineering problems. This method is capable of considering the effective parameters at the same time and has the ability of direct generalization and learning from the field data (due to the errors and uncertainties). In this paper, the data from 63 wells of the offshore Persian Gulf oil fields were applied and by using a probabilistic neural network, a predictive model has been developed. High accuracy of this model in predicting differential pipe sticking allows it to be applied in well planning as well as real time drilling operations. Analyzing the result of neural network, associated with engineering viewpoint leads to preventing differential pipe sticking by optimizing the effective parameters.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله
نشانی اینترنتی http://pr.ripi.ir/article_67_23.html
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1344/article-1344-236861.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات