نشریه علمی فرآیند نو

نشریه علمی فرآیند نو

کاربرد الگوریتم های هوش مصنوعی در پیش‌بینی و بهینه‌سازی نرخ نفوذ مته در سازندهای میدان نفتی شادگان با تکیه بر داده‌های هیدرولیکی و فشار سازندی

نوع مقاله : پژوهشی

نویسندگان
مهدی نظری صارم 1
رحیم دبیری 2
1 گروه مهندسی نفت، معدن و مواد، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2 گروه زمین شناسی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
10.22034/farayandno.2025.2069800.2012
چکیده
پیش‌بینی دقیق نرخ نفوذ مته به‌دلیل رفتار غیرخطی و چندمتغیره آن، یکی از چالش‌های کلیدی در بهینه‌سازی عملیات حفاری است. در این مطالعه، با استفاده از داده‌های واقعی میدان نفتی شادگان شامل پارامترهای هیدرولیکی، فشار سازندی و مشخصات مکانیکی، دو مدل یادگیری عمیق RNN و LSTM توسعه یافتند. پس از پیش‌پردازش داده‌ها و تقسیم‌بندی زمانی، مدل‌ها بر اساس معیارهای RMSE، MAE و R² ارزیابی شدند. نتایج نشان داد مدل LSTM با ضریب تعیین ۰٫۹۵، MAE برابر ۰٫۰۲۳۶ و RMSE معادل ۰٫۰۳۴۶، عملکردی برتر نسبت به RNN (۰٫۸۵R² =) دارد. همچنین، با بهینه‌سازی پارامترهای عملیاتی، نرخ نفوذ مته به ۸٫۶۳ متر بر ساعت افزایش یافت که بیش از ۳٫۳ برابر میانگین مشاهده‌شده است. این رویکرد می‌تواند در سیستم‌های پشتیبان تصمیم‌گیری حفاری به‌کار رود.
کلیدواژه‌ها
نرخ نفوذ مته، میدان نفتی شادگان هوش مصنوعی، شبکه عصبی LSTM، داده‌های هیدرولیکی، بهینه‌سازی عملیات حفاری

موضوعات

عنوان مقاله English

Application of Artificial Intelligence Algorithms in Predicting and Optimizing Rate of Penetration in the Shadegan Oilfield Formations Based on Hydraulic and Formation Pressure Data

نویسندگان English

Mahdi Nazari Saram 1
Rahim Dabiri 2
1 Department of Petroleum, Mining and Materials, CT.C, Islamic Azad University, Tehran, Iran
2 Department of Geology, Ma.C., Islamic Azad University, Mashhad, Iran
چکیده English

Optimizing the Rate of Penetration (ROP) is a key objective in drilling operations, directly impacting time and cost efficiency. However, accurate ROP prediction remains challenging due to complex, non-linear influences such as formation mechanical properties, hydraulic parameters, and formation pressure. This study employs advanced deep learning architectures—Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM)—to model and predict ROP in the Shadegan oil field. Real-world field data, including flow rate, pump pressure, and formation pressure, were pre-processed, normalized, and structured as time-series inputs. Performance evaluation based on RMSE, R², and MAE demonstrated the superior accuracy of the LSTM model, attributed to its capability to capture long-term temporal dependencies. These findings provide a reliable foundation for optimizing drilling design and execution in similar hydrocarbon reservoirs, ultimately enhancing operational productivity.

کلیدواژه‌ها English

Rate of Penetration (ROP)
Shadegan oil field
Artificial Intelligence (AI)
LSTM network
[1] A. Ahmed k, S. Rushdi, M. Alsaba and M. F. Dushaishi, "Drilling Rate of Penetration Prediction of High-Angled Wells Using Artificial Neural Networks," Journal of Energy Resources Technology, pp. 11, 2019.
[2] Z.-J. Pei, . X.-Z. Song, H.-T. Wang, Y.-Q. Shi, S.-C. Tian and G.-S. Li, "Interpretation and characterization of rate of penetration intelligent prediction model," Petroleum Science, pp. 582-596, 2024.
[3] E. Brenjkar, E. Biniaz Delijani and K. Karroubi, "Prediction of penetration rate in drilling operations: a comparative study of three neural network forecast methods," Journal of Petroleum Exploration and Production Technology, pp. 805-818, 2021.
[4] A. Al-AbdulJabbar, S. Elkatatny, A. A. Mahmoud, . T. Moussa, D. Al-Shehri, M. Abughaban and A. Al-Yami, "Prediction of the Rate of Penetration while Drilling Horizontal Carbonate Reservoirs Using the Self-Adaptive Artificial Neural Networks Technique," MDPI Sutainability, pp. 19, 2020.
[5] A. K. Abbas, S. Rushdi, M. Alsaba and M. F. Al Dushaishi, "Drilling Rate of Penetration Prediction of High-Angled Wells Using Artificial Neural Networks," Journal of Energy Resources Technology, pp. 11, 2019.
[6] C. Hegde, H. Daigle, . H. Millwater and K. Gray, "Analysis of rate of penetration (ROP) prediction in drilling using physics-based and data-driven models," Journal of Petroleum Science and Engineering, pp. 295-306, 2017.
[7] O. A. Olafadehan and I. D. Ahaotu, "Comparative Analysis of Machine Learning Algorithms in Predicting Rate of Penetration during Drilling," Journal of Petroleum & Chemical Engineering, pp. 16, 2023.
[8] M. Bataee, S. Irawan and M. Kamyab, "Artificial Neural Network Model For Prediction Of Drilling Rate of Penetration and Optimization of Parameters," Journal of the Japan Petroleum Institute, pp. 65-70, 2014.
[9] O. Hazbeh, . S. Khezerloo-ye Aghdam , H. Ghorbani, N. Mohamadian, M. Ahmadi Alvar and J. Moghadasi, "Comparison of accuracy and computational performance between the machine learning algorithms for rate of penetration in directional drilling well," Petroleum Research, pp. 271-282, 2021.
[10] D. Etesami, M. G.Shirangi and W. Zhang, "A Semiempirical Model for Rate of Penetration with Application to an Offshore Gas Field," SPE Drilling Completion, pp. 18, 2020.
[11] آ. ابراهیم آبادی، "ارائه مدلی برای پیش‌بینی نرخ نفوذ حفاری در میدان نفتی شادگان با استفاده از شبکه عصبی مصنوعی"، نشریه علمی ژئومکانیک نفت، دوره 5، شماره 2، صفحات 16-1، 1401.