نشریه علمی-پژوهشی مکانیک سنگ

نشریه علمی-پژوهشی مکانیک سنگ

پیش‌بینی پنجره ایمن وزن گل حفاری با استفاده از مدل‌های ترکیبی یادگیری ماشین مبتنی بر پرسپترون چندلایه و الگوریتم‌های بهینه‌سازی

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانشگاه صنعتی بیرجند
2 دانش آموخته مهندسی نفت، باشگاه پژوهشگران جوان و نخبگان، دانشگاه آزاد اسلامی، اهواز، ایران
3 عضو هیات علمی گروه مهندسی عمران دانشگاه صنعتی بیرجند
10.22034/irsrm.2026.583681.1082
چکیده
تعیین دقیق پنجره ایمن وزن گل حفاری یکی از مسائل کلیدی در مهندسی حفاری است که نقش مهمی در جلوگیری از ناپایداری چاه، هرزروی گل و افزایش هزینه‌های عملیاتی دارد. در این پژوهش، جهت پیش‌بینی حداقل وزن گل زیر فشار شکست و حداکثر وزن گل بالاتر از فشار شکست، از مدل‌های ترکیبی یادگیری ماشین استفاده شده است. در این راستا، شبکه عصبی پرسپترون چندلایه با چهار الگوریتم بهینه‌سازی شامل الگوریتم کرم شب‌تاب، جستجوی گرانشی، کلونی زنبورعسل و الگوریتم رقابت استعماری ترکیب شد. داده‌های مورد استفاده شامل اطلاعات سه چاه از یک میدان گازی در جنوب ایران بوده که به سه بخش آموزش (70٪)، اعتبارسنجی (15٪) و آزمون (15٪) تقسیم شدند. نتایج آماری نشان داد که، «الگوریتم پرسپترون چندلایه- الگوریتم جستجوی گرانشی» از دیگر مدل‌ها، دقیق‌تر است. چنان-که زیرمجموعه آزمایشی الگوریتم مذکور، برای حداقل وزن گل زیر فشار شکست با مقدار ریشه میانگین مربعات خطای 12.283پوند بر اینچ مربع و ضریب تعیین0.90و حداکثر وزن گل بالای فشار شکست با ریشه میانگین مربعات خطا 12.536 پوند بر اینچ مربع و ضریب تعیین 0.9417 کمترین خطا را نشان داده‌اند. بر این اساس، استفاده از مدل‌های ترکیبی یادگیری ماشین می‌تواند دقت پیش‌بینی پنجره ایمن وزن گل را به‌طور قابل توجهی افزایش دهد و به‌عنوان ابزاری کارآمد در تصمیم‌گیری‌های عملیاتی حفاری مورد استفاده قرار گیرد.
کلیدواژه‌ها


مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 31 خرداد 1405