Predictive model for bottomhole pressure based on machine learning

هدف از این کار توسعه یک مدل پیش بینی برای جریانهای چاه چند مرحلهای با استفاده از روش یادگیری ماشین است. شبکه عصبی مصنوعی توسعه داده شده است و سپس در مجموعه داده های آموزشی تولید شده با استفاده از شبیه ساز عددی از جریان های چاه گذرا در مقیاس کامل آموزش دیده است. پس از اتمام آموزش، شبکه عصبی برای پیش بینی یکی از پارامترهای کلیدی جریان جریان چاه استفاده می شود، یعنی فشار زیر دریچه. نوآوری این کار مربوط به استفاده از شبکه عصبی برای تجزیه و تحلیل فرآیندهای بسیار گذرا در شهاب ها می باشد. در چنین فرآیندهای، بسیاری از پارامترهای مورد نظر را می توان با استفاده از سری زمانی متغیر وابسته به پدیده های فیزیکی پیچیده مربوط به ماهیت جریان چند مرحلهای نشان داد. شبکه عصبی پیشنهاد شده با دو لایه پنهان توانایی پیش بینی فشار زیر دریایی را در عرض 5٪ از خطای متوسط ​​مربع خطی نرمال برای بسیاری از پیکربندی ها و جریان های پیچیده چاه نشان داد. همچنین نشان داده شده است که خطاهای پیش بینی نسبتا بالاتری بیشتر در مورد جریانهای شبیه سازی شده وجود دارد که در آن ماهیت جریان گذرا بیشتر بیان می شود. در نهایت، مدل توسعه یافته بر روی داده های تحت تاثیر سر و صدا آزمایش می شود. نشان داده شده است که با وجودی که خطای پیش بینی کمی در مقایسه با اطلاعات بدون سر و صدا کمی افزایش می یابد، مدل ویژگی های ضروری فرایند گذرا مورد مطالعه را ضبط می کند. شرح مدل های توسعه یافته، تجزیه و تحلیل موارد مختلف استفاده از آزمون ها و مسیرهای تحقیق ممکن آینده مشخص شده است.