این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش نفت، جلد ۲۷، شماره ۶-۹۶، صفحات ۴۶-۵۸
عنوان فارسی بهبود مدل پیش‌بینی رفتار رئولوژیکی سیال حفاری با استفاده از شبکه عصبی
چکیده فارسی مقاله با توجه به تأثیر پارامترهای فراوان بر روی رفتار رئولوژیک سیال حفاری، تعیین دقیق رفتار رئولوژیک سیال حفاری حائز اهمیت است. ازاین‌رو حذف روش‌های آزمایشگاهی که به‌صورت سعی و خطا انجام می‌گیرد و نیاز به استفاده از روش‌های هوشمند ازجمله شبکه‌های عصبی مصنوعی، به‌شدت احساس می‌شود. در تحقیق حاضر برای پیش‌بینی خواص رئولوژیکی سیال حفاری، شامل پلاستیک ویسکوزیته، ویسکوزیته قیف و نقطه تسلیم از اطلاعات چهار چاه مربوط به یک میدان نفتی شامل 240 ردیف اطلاعات (4080 داده) جهت آزمون و 23 ردیف (391 داده) جهت تست مدل استفاده شد. پارامترهای موجود در این اطلاعات شامل 14 نوع مواد سیال، عمق، نوع سازند و دما (جمعاً 17 پارامتر) است. سپس با استفاده از شبکه‌های عصبی مصنوعی، ابتدا ساختارهای مختلف شبکه عصبی جهت پیش‌بینی خواص رئولوژیکی سیال حفاری ساخته شد و درنهایت سه مدل بهینه مجزا برای ویسکوزیته پلاستیک، ویسکوزیته قیف  و نقطه تسلیم طراحی شد که در هر سه مدل، شبکه دارای دو لایه با 17 ورودی و یک خروجی در لایه آخر بوده و تعداد نرون‌های لایه پنهان، 16 نرون برای مدل ویسکوزیته پلاستیک 19 نرون برای مدل ویسکوزیته قیف و مدل نقطه تسلیم تعیین شد. ضرایب همبستگی آزمون این مدل‌ها در نهایت، 99/0 برای مدل ویسکوزیته پلاستیک، 98/0 برای مدل نقطه تسلیم و 97/0 برای ویسکوزیته قیف به‌دست آمد که نشان‌دهنده انطباق بالای نتایج آزمون با واقعیت بود. درنهایت نیز مدلی آماری با استفاده از نرم‌افزار SPSS ساخته شد.  
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Modifying a Model for Predicting Rheological Behavior of Drilling Fluid Using Artificial Neural Network
چکیده انگلیسی مقاله Due to the influence of many parameters on the drilling fluid, the precise determination of the rheological behavior of the fluid is important. Therefore, the elimination of imprecise experimental methods which have been done based on trial and error, and using logical mathematical intelligence methods such as artificial neural networks instead of previous methods are needed. In the present study, for predicting the rheological properties of drilling mud, including Plastic viscosity, funnel viscosity, and yield point, the data from four wells of the field of X which contains 240 rows of data (4080 data) to test and 23 rows (391 data points) to test the model  have been used. This includes 14 types of parameters in a fluid, depth, and temperature formation (a total of 17 parameters). By using artificial neural networks, the structures for predicting the neural network, and the rheological properties of drilling mud were built, and finally, three separate optimization models for the plastic viscosity (PV), funnel viscosity (FV), and the yield point (YP) were designed that in all three models, the network had two layers, 17 inputs and one output in last layer. Moreover, the number of neurons in the hidden layer, 16 neurons for the PV model, 19 neurons for FV model, and 19 neuron for YP model were determined. Finally, the coefficients of determination of these models, which were tested, were R2 PV = 0.99, R2 YP = 0.98, and R2 FV=0.97 indicating a high compliance test results with reality.  
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مرتضی رجبی هشتجین |
گروه مهندسی نفت، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی، واحد تهران مرکز، ایران

ترانه جعفری‌بهبهانی |
پژوهشکده پالایش نفت، پژوهشگاه صنعت نفت، تهران، ایران

نشانی اینترنتی http://pr.ripi.ir/article_827_17b356a2ea73c918695b76b36c5262ac.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1344/article-1344-580544.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