پیش بینی نرخ نفوذ مته به کمک شبکه‌های عصبی و بررسی تاثیر وزن دهی پارامترهای ورودی به کمک فرآیند تحلیل سلسله مراتبی فازی برای یکی از میادین غرب ایران

Abstract

تعیین نرخ نفوذ مته یکی از موارد پر اهمیت در صنعت حفاری می‌باشد. عموما، دو روش برای مدل‌سازی نرخ نفوذ مته وجود دارد که عبارتند از مدل‌های فیزیکی و مدل‌های مبتنی بر شبکه‌های عصبی. کارایی مدل‌های فیزیکی با توجه به نقاط ضعفی مانند استفاده از ضرایب تجربی، نیاز به داده‌های جانبی زیاد، مورد تردید می‌باشد. از سوی دیگر، شبکه‌های عصبی می‌توانند با توجه به محدودیت داده‌های در درسترس، ابزاری مناسب جهت پیش‌بینی نرخ نفوذ مته ‌باشند. در این مقاله نرخ نفوذ مته به کمک حدود 2000 روز داده‌های حفاری، با استفاده از شبکه‌های عصبی پرسپترون چند لایه و المان مدلسازی شد. در هردوشبکه‌ی مذکور تعداد 7 نرون به عنوان نرون بهینه در تنها لایه‌ی پنهان تعیین شد که نتایج نشانگر میزان همبستگی 1/77%، 7/76% و میانگین مربعات خطای 31/1، 33/1 به ترتیب در شبکه‌ی پرسپترون چندلایه و شبکه‌ی المان بود. سپس، به منظور ارتقاء نتایج هردو شبکه‌ی عصبی، پارامترهای ورودی به کمک نظرات کارشناسان و با استفاده از رویه‌ی تحلیل سلسله مراتبی وزن دهی شد و مجددا مدلسازی نرخ نفوذ صورت گرفت که باعث بهبود نتایج هردو شبکه‌ی عصبی شد. نتایج حاصل از این پژوهش نشانگر برتری شبکه‌ی پرسپترون چندلایه جهت تخمین نرخ حفاری می‌باشد که موید این واقعیت است که شبکه‌های عصبی با دقت مناسبی قابلیت پیش بینی نرخ نفوذ مته را بر اساس داده‌های در دسترس دارند