عنوان پایان‌نامه
امکان سنجی تخمین میزان نفوذ مته حفاری و تعیین پارامتر های موثر با استفاده از تحلیل آزمایشات و هوش مصنوعی
- رشته تحصیلی
- مهندسی حفاری و بهره برداری نفت
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 1300.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 58998
- تاریخ دفاع
- ۱۸ شهریور ۱۳۹۲
- دانشجو
- علیرضا ثمره شفیعی
- استاد راهنما
- علی نخعی, بهنام صدایی سولا
- چکیده
- امروزه مشخص کردن دقیق عملیات حفاری برای کاهش هزینه ها اهمیت زیادی دارد. عملکرد و راندمان حفاری خود به عوامل زیادی بستگی دارد و مهمترین عاملی که میتوان به آن اشاره کرد نرخ نفوذ مته و مدت زمان حفاری میباشد. در واقع اکثر هزینه‌های حفاری وابسته به زمان است. تعیین نرخ نفود مته و شناسایی عوامل مؤثر در آن می‌تواند در افزایش نرخ نفوذ مته و کاهش هزینه‌ها نقش به‌سزایی داشته باشد. نرخ نفوذ مته به عواملی مانند عمق، نوع سازند، نوع مته، میزان فرسایش مته، وزن روی مته، چرخش مته در واحد زمان، فشار و چگالی سیال حفاری بستگی دارد که برخی از آنها تأثیر بیشتری در نرخ نفوذ مته دارند که مشخص کردن آنها به ما کمک می‌کند تا عملکرد بهتری داشته باشیم و با دید جامع‌تری تصمیم بگیریم. روشهای جدیدی برای تعیین نرخ نفوذ مته و مشخص کردن تأثیر پارامترها تحت شرایط متفاوت وجود دارد که میزان خطای کمتری دارند. دو روش هوش مصنوعی و طراحی آزمایشات که روشهای معتبر وکاربردی هستند برای این منظور استفاده شده که در آنها از داده های روزانه حفاری و داده های مته و فرسایش آن مربوط به میادین خانگیران وگنبد استفاده میشود. هر دو روش مزیت و معایب خود را دارند و اگر از هردو روش استفاده شود می‌تواند نتیجه جامع‌تری را دربرگیرد و دو روش مکمل یکدیگر هستند. در روش هوش مصنوعی، داده‌های روزانه با استفاده از 3 شیوه مدلسازی شده است. در مدل اول از سیستم عصبی فازی تطبیقی استفاده شده و در مدل دوم از روش خوشه‌بندی C-Mean مربوط به منطق فازی استفاده شده است. در مدل سوم ترکیبی از دو روش سیستم عصبی فازی تطبیقی و الگوریتم ژنتیک استفاده شده است. نتایج حاصل از آنها با هم مقایسه شده و مدل سوم نسبت به دو روش دیگر دقت بیشتری داشته که می‌تواند در تعیین سرعت حفاری با دقت بالایی مورد استفاده قرار گیرد. برای استفاده از روش طراحی آزمایشات ابتدا معادله‌ی عمومی و غیرخطی را به معادله خطی تبدیل کرده و سپس با توجه به آن، آنالیز واریانس و تست روی داده‌ها انجام شده تا تأثیر و اهمیت پارامترها و اثر متقابل بین پارامترها مشخص شود و بتوانیم مدل جدید را ساده‌تر و با استفاده از پارامترهای مهم‌تر و حذف پارامترهای کم اهمیت بسازیم.
- Abstract
- The precise specification of drilling operation’s parameters is vital for minimizing the costs. Drilling performance and efficiency depends on many factors, most importantly the Rate Of Penetration of the drilling bit (ROP) and drilling time. In fact, the majority of dilling costs are time-dependent. Determination of the effect of various parameters on ROP plays a significant role in increasing ROP in order to reduce costs. The rate of penetration depends on many factors such as depth, formation type, bit type, bit wear, weight on bit, rotary speed, pressure, mud density and jet impact. Some of these parameters have relatively larger influence on the rate of penetration and identifying them assists the driller engineer to decide the operational values more efiiciently. New methods have been used to estimate ROP and to specify the effect of influential parameters with higer degree of certainty. Artificial Intelligence Method and Design Of Experiments are two valid and applicable approaches for this purpose. In this study, the daily drilling and bit data of Iranian Khangiran & Gonbadly gas fields are used as input data for these methods. Both methods have their own advantages and disadvantages. The two methods are complementary and if both methods are used, the results can be more comprehensive. In artificial intelligence method, daily drilling data are modeled using three techniques. Adaptive Neuro-Fuzzy system is used in the first model and fuzzy C-Mean clustering is used in the second model. In the third model, combination of genetic algorithm and adaptive fuzzy neural system is used. By comparing their results, it is depicted that the third model is more accurate than other two models and can be used to precisely determine ROP. For the design of experiments method, first, the nonlinear equations are transformed into linear equations. Consequently, ANOVA and other statistical tests were conducted on the data to determine the impact and significance of the parameters and interactions between parameters. The new model can be simplified by using the more important parameters and eliminating insignificant parameters.
