بهبود مدل پیش‌بینی رفتار رئولوژیکی سیال حفاری با استفاده از شبکه عصبی

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.