Skoči na glavni sadržaj

Izvorni znanstveni članak

https://doi.org/10.17794/rgn.2024.3.9

PREDVIĐANJE MEHANIČKE BRZINE BUŠENJA U OPERACIJAMA BUŠENJA NAFTE KORIŠTENJEM OPTIMIZACIJSKIH ALGORITAMA

Arash Ebrahimabadi orcid id orcid.org/0000-0002-1996-2731 ; Department of Petroleum, Mining and Material Engineering, Central Tehran Branch, Islamic Azad University, Tehran, Iran
Alireza Afradi orcid id orcid.org/0000-0002-1071-3990 ; Department of Mining and Geology, Qaemshahr Branch, Islamic Azad University, Qaemshahr, Iran


Puni tekst: engleski pdf 3.196 Kb

str. 119-130

preuzimanja: 95

citiraj


Sažetak

Odabirom odgovarajućih alata te primjenom precizno i pouzdano određenih parametara operacija bušenja može se izvesti brže i uz manje troškove. Mehanička brzina bušenja (engl. Rate of Peneration, ROP) smatra se glavnim parametrom u procjeni operacije bušenja. Iako se rezultati laboratorijskih istraživanja i eksperimentalno dobivene formule uvelike koriste za identifikaciju problema u operacijama bušenja, korištenje terenskih podataka smatra se najboljim pristupom za procjenu parametara bušenja ili ROP-a, kao i za razvoj modela predviđanja. U ovome je istraživanju primijenjeno inteligentno modeliranje, u kojemu su korištene nove tehnike umjetne inteligencije kao što su optimizacija Gray Wolf (engl. Gray Wolf Optimization, GWO), optimizacija Particle Swarm (engl. Particle Swarm Optimization, PSO) i optimizacijski algoritam Grasshopper (engl. Grasshopper Optimization Algorithm, GOA) za predviđanje mehaničke brzine bušenja na temelju analize podataka iz sveobuhvatne baze podataka prikupljenih tijekom operacija bušenja na jednome od iranskih naftnih polja, naftnome polju Shadegan. S obzirom na to da navedena baza sadržava 400 podataka, navedene tehnike umjetne inteligencije korištene su zbog učinkovitosti na velikome skupu podataka. U ovome je radu korištenjem podataka bušenja prikupljenih s naftnoga polja Shadegan razvijen precizan model za predviđanje ROP-a. Rezultati provedenoga istraživanja pokazuju da su parametri koeficijenta determinacije (R2) i korijen srednje kvadratne pogreške (RMSE) za optimizaciju Particle Swarm (PSO) R2 = 0,977 i RMSE = 0,036, za optimizaciju Gray Wolf (GWO) R2 = 0,996 i RMSE = 0,014, a za algoritam Grasshopper (GOA) R2 = 0,999 odnosno RMSE = 0,003. U konačnici se može zaključiti da svi prediktivni modeli daju prihvatljive rezultate, ali da GOA daje precizniji i realniji ishod.

Ključne riječi

operacije bušenja; mehanička brzina bušenja; Gray Wolf optimizacija; Particle Swarm optimizacija; optimizacijski algoritam Grasshopper

Hrčak ID:

319095

URI

https://hrcak.srce.hr/319095

Datum izdavanja:

4.7.2024.

Podaci na drugim jezicima: engleski

Posjeta: 280 *