باياس‌ها) و در نتيجه افزايش دقت مدل از الگوريتم‌هاي بهينه‌سازي که توانايي خاصي در اين زمينه دارند، استفاده کرد. يکي از اين نوع الگوريتم‌ها، الگوريتم ژنتيک مي‌باشد که در فصل 3 توضيح داده شده است.
ورودي‌ها و خروجي براي هر دو شبکه مشابه است. معمولاً، پيدا کردن ساختار شبکه مناسب در اين معماري بر اساس روش آزمون و خطا است. به عبارت ديگر، بايد سلول‌هاي عصبي (نرون) مختلف با لايه‌هاي مختلف تست شوند. سپس، بر اساس ميزان خطاي آموزش و تست، ساختار مطلوب را انتخاب مي‌کنيم.
در اين مطالعه و براي اين بخش، ما از توابع انتقال تنسيگ و پورلين به ترتيب براي لايه هاي پنهان و لايه خروجي استفاده کرديم. بهترين معماري براي شبکه پرسپترون چند لايه به صورت [1 12 12] (12 نرون در لايه مخفي اول، 12 نرون در لايه مخفي دوم و يک نرون در لايه خروجي) بدست آمد. در واقع، در اين معماري ميانگين مربع خطاي حداقل و حداکثر ضريب همبستگي مشاهده شده است. همچنين، همان‌طور که گفته شد، 25% از مجموعه داده هاي موجود براي تست اختصاص داده شد. ميانگين مربع خطا و ضريب همبستگي براي داده‌هاي تست به ترتيب 0023/0 و 9/0 بدست آمد.
تصوير 5-1 ضريب همبستگي شبکه عصبي پرسپترون در مرحله تست را نشان مي‌دهد. اين شکل نشان مي‌دهد که به کمک شبکه عصبي پرسپترون مي‌توان مقادير مقاومت را در مقادير بالا با دقت خوب پيش‌بيني کرد اما در مقادير کمتر از 9/0، دقت شبکه مناسب نيست و محاسبات با خطا همراه بوده و بيش از مقدار واقعي پيش‌بيني مي‌شوند.
براي بهبود عملکرد شبکه‌هاي عصبي مي‌توان از الگوريتم‌هاي بهينه‌سازي استفاده کرد. در قسمت بعدي تغييرات محسوس نتايج به دليل استفاده از اين الگوريتم‌ها را خواهيم ديد.

شکل 5-1 نمودار ضريب همبستگي MLP براي پيش‌بيني داده‌هاي UCS در مرحله تست

5-2-1-2- پيش‌بيني UCS توسط MLP&GA
يکي از مشکلات اصلي در شبکه‌هاي عصبي به ويژه پرسپترون چندلايه محاسبات پيچيده و زمان بر مربوط به انتخاب وزن مناسب براي لايه‌ها مي‌باشد، که با انتخاب درست آن‌ها مي‌توان دقت شبکه و همچنين زمان محاسبات را کاهش داد. يکي از روش‌هاي مفيد و مرسوم براي يافتن مقادير بهينه در يک فضاي جستجو بسيار بزرگ، الگوريتم ژنتيک مي‌باشد. به کمک اين روش مي‌توان در زمان کمتر، به دقت بالاتري دست يافت.
الگوريتم ژنتيک در زمينه‌هاي گسترده‌اي کاربرد دارد اما در مشکلاتي که فضاي جستجو بزرگ، پيچيده و يا درک ضعيفي از آن داريم، همچنين زماني که روش‌هاي جستجوي سنتي شکست مي‌خورند و يا هيچ تجزيه و تحليل رياضي در دسترس نيست بسيار مفيد هستند. مراحل آموزش شبکه عصبي پرسپترون توسط الگوريتم ژنتيک در زير توضيح داده شده است:
1. وزن‌هاي شبکه پرسپترون به صورت تصادفي مقداردهي اوليه مي‌شوند.
2. داده‌هاي ورودي از طريق لايه ورودي به شبکه اعمال مي‌شوند و خروجي حاصل با خروجي مطلوب مقايسه مي‌شود.
3. اگر خروجي رضايت بخش نباشد، با استفاده از الگوريتم ژنتيک نسل جديدي از وزن‌ها توليد مي‌شود و در شبکه اعمال مي‌شوند و دوباره به مرحله 2 بر مي‌گرديم. اين چرخه تا زماني که ما به خطاي زير حد مجاز دست يابيم ادامه مي‌يابد. فلوچارت شکل 5-2 آموزش شبکه پرسپترون توسط الگوريتم ژنتيک را نشان مي‌دهد.

شکل 5-2 فلوچارت آموزش شبکه MLP توسط الگوريتم ژنتيک

ميزان خطا و ضريب همبستگي اين مدل براي محاسبه مقاومت فشاري تک محوره در مرحله تست به ترتيب 000326/0 و 99/0 درصد مي‌باشد. شکل 5-3 ضريب همبستگي اين مدل را در مرحله تست نشان مي‌دهد.
مي‌توان براي مقايسه عملکرد دو مدل شبکه پرسپترون بهينه و پرسپترون معمولي از تعداد ايپک مورد نياز براي رسيدن به تغييرات پايدار ميانگين مربع خطا استفاده کرد. به عبارت ديگر، مي‌توان ميانگين مربع خطا را براي هر دوره (ايپک) جهت يافتن عملکرد شبکه‌هاي مختلف در تنظيم وزن خود مقايسه کرد. اين مقايسه را مي‌توانيد در شکل 5-4 ببينيد.

شکل 5-3 نمودار ضريب همبستگي MLP&GA براي پيش‌بيني داده‌هاي UCS در مرحله تست.

شکل 5-4 مقايسه شبکه‌هاي MLP و MLP&GA بر اساس ميزان خطا و سرعت همگرايي.
با توجه به شکل 5-4، مشخص است که شبکه پرسپترون بهينه زمان کمتري براي همگرا شدن نياز دارد. اين بهبود باعث کاهش پيچيدگي‌هاي شبکه شده و زمان محاسبات را نيز کاهش مي‌دهد و در نتيجه الگوريتم يادگيري سريع‌تر به منيمم سراسري دست مي‌يابد.
با توجه به حجم بالاي داده‌ها، مختصري از مقايسه UCS پيش‌بيني شده در مرحله تست، براي هر دو شبکه با مقدار واقعي، در شکل 5-5 نشان داده شده است. با توجه به شکل، نزديکي بسيار خوبي بين داده‌هاي واقعي و تخميني UCS براي MLP&GA وجود دارد. در جدول 5-1 دقت دو شبکه بر اساس معيارهاي مختلف بيان شده است.
پارامترهاي که براي اجراي اين الگوريتم استفاده شدند به اين شرح هستند: اندازه جمعيت 150 گرفته شد. مقادير و به ترتيب 60 و 15 درصد در نظر گرفته شدند و 15 درصد جمعيت باقيمانده به صورت نخبه گرايي انتخاب مي‌شوند. بدين صورت که جمعيتي که بيشترين مقدار شايستگي را دارند مستقيماً به جمعيت جديد اضافه مي‌شوند. روش انتخابي الگوريتم براي توليد جمعيت جديد، انتخاب نرمال سازي خطي است.

شکل 5-5 مقايسه مقادير تخمين زده شده UCS توسط هر دو شبکه با مقادير واقعي.

جدول 5-1 مقايسه عملکرد دو شبکه‌ عصبي استفاده شده براي مدل‌سازي تعيين UCS.
مدل
شبکه عصبي
MSE
R

مدل اول
MLP
0023/0
9/0
81/0
مدل دوم
MLP&GA
000326/0
99/0
98/0

5-3- انتخاب مته حفاري و بهبود نرخ نفوذ
براي داشتن مدلي جامع و فراگير در انتخاب مته و بهبود نرخ نفوذ، نياز به در نظر گرفتن کليه پارامترهاي تأثيرگذار مي‌باشد. با توجه به تأثير گل حفاري بر نرخ نفوذ، مشخصات گل حفاري نيز به عنوان پارامترهاي ورودي شبکه عصبي در نظر گرفته شده‌اند. در مطالعه‌ي حاضر دو مدل با استفاده از شبکه‌هاي عصبي توسعه يافتند.

5-3-1- روش کار
5-3-1-1- پيش‌بيني مته حفاري
از آنجايي که مته حفاري اثر قابل توجهي بر نرخ نفوذ حفاري دارد و مي‌توان گفت که پارامتر اصلي در بهبود نرخ نفوذ است، مدلي جداگانه براي پيش‌بيني مته حفاري مناسب ساخته شد. در اين مدل، سايز مته، سطح کل نازل‌ها، متراژ حفاري، عمق ورودي و عمق خروجي، وزن روي مته، سرعت دوران رشته حفاري، نرخ نفوذ، دبي جريان گردش گل، فشار گل، گرانروي پلاستيک گل، ميانگين مقاومت فشاري تک محوره سازند به عنوان پارامترهاي ورودي و نوع مته بر اساس کد IADC خروجي شبکه عصبي مي‌باشند.
بهترين شبکه عصبي توسعه يافته براي مدل اول، شبکه‌ي عصبي پرسپترون چند لايه با ساختار[1 4[ (يک لايه مخفي با چهار نرون و يک لايه خروجي با يک نرون) با توابع انتقال تنسيگ براي لايه مخفي و پورلين براي لايه خروجي و تابع آموزش ترين‌ليم مي‌باشد. شکل 5-7 ضريب رگرسيون شبکه‌ي عصبي در انتخاب مته حفاري براي داده‌هاي تست را نشان مي‌دهد.

شکل 5-6 ضريب همبستگي شبکه‌ي عصبي در انتخاب مته حفاري براي داده‌هاي تست.

سپس براي بررسي قابل استفاده بودن مدل انتخاب مته براي ساير ميادين نفتي، آن را توسط داده‌هاي حفاري ميادين مارون، منصوري و کوپال تست کرديم. نتايج از مناسب نبودن آن براي ساير ميادين نفتي حتي ميادين مجاور حکايت مي‌کنند. به کمک اين مدل ما مي‌توانيم مته حفاري مناسب، که نرخ نفوذ مورد نظر ما را فراهم مي‌کند، پيش‌بيني کنيم.

5-3-1-2- پيش‌بيني نرخ نفوذ حفاري
براي پيش‌بيني و دستيابي به حداکثر نرخ نفوذ حفاري، مدل دوم ساخته مي‌شود. در گام اول، شبکه‌ي عصبي پرسپترون چند لايه با ساختار [1 11[ (يک لايه مخفي با يازده نرون و يک لايه خروجي با يک نرون) با توابع انتقال تنسيگ براي لايه مخفي و پورلين براي لايه خروجي و تابع آموزش ترين‌ليم توسعه مي‌يابد. در اين مدل علاوه بر پارامترهاي گفته شده، نوع مته نيز به پارامتر ورودي اضافه مي‌شود و نرخ نفوذ، هدف و خروجي مدل براي پيش‌بيني و بهينه‌سازي خواهد شد. شکل 5-8 ضريب رگرسيون شبکه‌ي عصبي در پيش‌بيني نرخ نفوذ حفاري براي داده‌هاي تست را نشان مي‌دهد.. براي بررسي قابل استفاده بودن مدل براي ساير ميادين نفتي، آن را توسط داده‌هاي حفاري ميادين مارون، منصوري و کوپال تست کرديم. که دقت مدل براي اين ميادين به ترتيب 603/0، 848/0 و 898/0 مي‌باشد. پس مي‌توان نتيجه گرفت که هر دو مدل تنها براي ميدان اهواز قابل استفاده هستند و نمي‌توان آنها براي ساير ميادين به کار برد. در جدول 5-9 عملکرد دو مدل پيش‌بيني انتخاب مته و نرخ نفوذ حفاري ارائه شده است.

شکل 5-7 ضريب همبستگي شبکه‌ي عصبي در پيش‌بيني نرخ نفوذ حفاري براي داده‌هاي تست.
جدول 5-2 مقايسه عملکرد دو مدل پيش‌بيني انتخاب مته و نرخ نفوذ حفاري.
مدل
شبکه عصبي
MSE
R

مدل اول
MLP
0092/0
984/0
968/0
مدل دوم
MLP
021/0
962/0
925/0

5-3-1-3- بهينه‌سازي نرخ نفوذ حفاري
بر طبق پروفايل چاه، بهينه‌سازي انتخاب مته و ديگر پارامترهاي ورودي بايد در سه بخش مجزا چاه انجام شود. براي فرآيند بهينه‌سازي، تغييرات در پارامترهاي شبيه وزن روي مته، دوران رشته حفاري، سطح کل جريان، دبي جريان گردش گل و فشار مجاز است، در حالي که اندازه مته و متوسط مقاومت فشاري سازند بايد ثابت نگه داشته شوند. محدوده پارامترهاي متغير و مقادير پارامترهاي ثابت در بخش‌هاي مختلف چاه در جدول 5-3 ارائه شدند. براي بهينه‌سازي تابع نرخ نفوذ، از الگوريتم‌هاي ژنتيک استفاده شد.
با استفاده از الگوريتم ژنتيک به عنوان يک ابزار قدرتمند، بهينه‌سازي نرخ نفوذ در هر بخش چاه براي هر مته به صورت جداگانه انجام مي‌شود. همان‌طور که در جدول 5-3 نشان داده شده است، دامنه پارامترهاي ورودي متغير و ثابت در بخش‌هاي مختلف چاه تغيير مي‌کند. اين اختلاف به دليل تفاوت در هندسه چاه و محدوديت در جريان گردش گل به منظور تميزسازي چاه و جلوگيري از گير لوله است. بهينه‌سازي تابع نرخ نفوذ توسط الگوريتم ژنتيک در سايز جمعيت 20، تابع مقياس رنک، تابع انتخاب استکاستيک يونيفرم89، تابع جهش گوسين و تابع تقاطع پراکنده90 اتفاق مي‌افتد. نتايج بهينه‌سازي پارامترها براي دستيابي به حداکثر نرخ نفوذ در جدول 5-4 و شکل 5-9 ارايه شده است.

جدول 5-3 مقدار و محدوده پارامترهاي ثابت و متغير در بخش‌هاي مختلف چاه.
سايز مته ()
مقدار پارامترهاي ثابت
محدوده پارامترهاي متغير
5/17
عمق ورودي() : 187
متراژ حفاري() : 4982
ميانگين مقاومت فشاري() : 7/6381
[ 1 , 18 – 27 ]: نوع مته
[15 – 80 ] : (1000) وزن روي مته
[100 – 200 ] : () سرعت دوران رشته حفاري
[ 589/0 – 553/1 ] : () کل سطح مقطع جريان
[ 5/2 – 29 ] : () ويسکوزيته پلاستيک
[ 5/312 – 2900 ] : () فشار پمپ
[ 86/332 – 1000] : () دبي خروجي پمپ
25/12
عمق ورودي() : 5169
متراژ حفاري() : 3608
ميانگين مقاومت فشاري() : 3/12460
[ 1 , 8 , 11 – 17 ] نوع مته :
[10 – 45 ] : (1000 ) وزن روي مته
[40 – 220 ] : () سرعت دوران رشته حفاري
[ 3/0 – 203/1 ] :
() کل سطح مقطع جريان
[ 5/20 – 93/75 ] : () ويسکوزيته پلاستيک
[ 67/491 – 57/3327 ] : () فشار پمپ
دبي خروجي پمپ () : ]225 – 650[
5/8
عمق ورودي() : 8777
متراژ حفاري () : 3352
ميانگين مقاومت فشاري () : 54/13549
[ 1 – 10 , 12 ]: نوع مته
[10 – 50 ] : (1000 ) وزن روي مته
[20 – 190 ] : () سرعت دوران رشته حفاري
[ 451/0 – 491/1 ] : () کل سطح مقطع جريان
[ 25/4 – 64 ] : () ويسکوزيته پلاستيک
[ 450 – 33/1633 ] : () فشار پمپ
[ 67/116 – 515] : () دبي خروجي پمپ

جدول 5-4 مقادير پارامترهاي بهينه‌سازي شده در بخش‌هاي مختلف چاه
سايز چاه
(in)
نوع مته
(IADC Code)
نوع مته
Bit Type
نرخ نفوذ
(ft/hr)
وزن روي مته1000
سرعت دوران رشته حفاري
سطح مقطع
جريان
ويسکوزيته
پلاستيک (Cp)
فشار پمپ
(Psi)
دبي خروجي
پمپ (gpm)
5/17
M323
HC606
8/93
22
198
88/0
15
1225
451
25/12
M422
DSX819
45
35
170
15/1
40
1550
346
5/8
M323
G536XL
24/40
40
180
81/0
28
1730
480

5-8-1


دیدگاهتان را بنویسید