چکیده

پیش‌بینی پارامترهای الاستیک مانند مدول یانگ و نسبت پواسون در تکمیل مدل‌سازی ژئومکانیکی از اهمیت بالایی برخوردار است. این پارامترها را می توان از طریق آزمون‌های آزمایشگاهی بر روی مغزه-های حفاری که از چاه ها گرفته شده است، محاسبه کرد. همچنین می توان این پارامترها را به صورت دینامیک از طریق داده های لاگ‌های پتروفیزیکی محاسبه نمود. با این حال، چنین داده‌هایی ممکن است به دلایل مختلف در حوزه نفتی مورد مطالعه در دسترس نباشد. بنابراین گزارش های حفاری روزانه (DDR) را می توان به عنوان جایگزین مناسبی برای تخمین مدول الاستیک سنگ معرفی کرد. در این مطالعه، تلاش شده است تا مدول دینامیک یانگ با استفاده از داده های DDR با استفاده از روش های یادگیری ماشین مرسوم برآورد شود. در این راستا از روش حداقل مربعات تقویت شده (LSBoost) و جنگل تصادفی (Random Forest) استفاده شده است. داده های ورودی به این الگوریتم ها شامل عمق (D)، نرخ نفوذ (ROP)، وزن روی مته (WOB)، سرعت چرخش رشته (RPM)، چگالی (RHOB)، تخلخل (Φ)، فشار پمپ (PP) و سرعت مماسی (TV) است. سپس هر یک از این الگوریتم ها از نظر دقت با استفاده از معیارهای ریشه میانگین مربعات خطا (RMSE)، میانگین مربع خطا (MSE) و ضریب همبستگی (2R) مقایسه شدند. نتایج نشان می‌دهد که با استفاده از گزارش‌های حفاری روزانه، بر اساس معیارهای فوق، می‌توان به برآورد خوبی از پارامترهای الاستیک دست یافت. همچنین در بین دو روش مورد استفاده، روش جنگل تصادفی از دقت بالاتری برخوردار هستند.

کليدواژه ها

گزارش های روزانه حفاری، یادگیری ماشین، ژئومکانیک، مدول یانگ

کد مقاله / لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است :

نحوه استناد به مقاله

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
علی رنجبر , 1401 , تخمین مدول یانگ از داده‌های حفاری با استفاده از روش‌های جنگل تصادفی و حداقل مربعات تقویت‌شده , هشمین کنفرانس مکانیک سنگ ایران