TY - JOUR ID - 93706 TI - 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 JO - نشریه علمی ژئومکانیک نفت JA - JPG LA - fa SN - 2538-4651 AU - پهلوانی, پرهام AU - پاکدامن, علی محمد AU - مهران پور, مهدی AD - دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی دانشگاه تهران AD - دانشکده مهندسی معدن، پردیس دانشکده های فنی دانشگاه تهران Y1 - 2019 PY - 2019 VL - 3 IS - شماره 3 (پاییز1398) SP - 28 EP - 44 KW - پیش بینی نرخ نفوذ مته KW - شبکه عصبی پرسپترون چند لایه KW - شبکه عصبی المان KW - فرآیند تحلیل سلسله مراتبی فازی KW - میادین نفتی DO - 10.22107/jpg.2019.163496.1079 N2 - 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 UR - http://www.irpga-journal.ir/article_93706.html L1 - http://www.irpga-journal.ir/article_93706_d53d93aa77adef1b9dc9e780c3f386be.pdf ER -