کاربرد سیستم استنتاج عصبی فازی تطبیقی و رویکرد داده کاوی برای پیش‌بینی هرزروی

کاربرد سیستم استنتاج عصبی فازی تطبیقی و رویکرد داده کاوی برای پیش‌بینی هرزروی

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 18

تعداد کلمات : 5000

مجله : Petroleum

انتشار : 2020

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
5 ژانویه 2022
دسته بندی
تعداد بازدیدها
1134 بازدید
37,000 تومان
دانلود اصل مقاله

عنوان فارسی مقاله:کاربرد سیستم استنتاج عصبی فازی تطبیقی و رویکرد داده کاوی برای پیش‌بینی هرزروی با استفاده از تکنیک DOE (مطالعه موردی: میدان نفتی مارون)

 چکیده

هرزروی رایج‌ترین مشکلی است که هنگام حفاری چاه‌های نفت با آن مواجه می‌شویم. بروز چنین مشکلی می‌تواند باعث اتلاف وقت و هزینه زیادی شود. برای حفر چاه‌های نفت، یک راه سریع و سودآور برای پیش بینی و حل مسئله هرزروی ضروری است. سیستم خبره روشی است که اخیراً برای مشکلاتی که با عدم قطعیت سروکار دارند استفاده می‌شود. در این مقاله سه رویکرد برای پیش‌بینی مشکل هرزروی انجام شده است. این رویکردها شامل طراحی آزمایش‌ها (DOE)، داده‌کاوی و سیستم استنتاج عصبی فازی تطبیقی ​​(ANFIS) است. داده‌های ۶۱ حلقه چاه میدان نفتی مارون به عنوان خوراک سیستم‌ها انتخاب و دسته بندی شده است. هفده متغیر به عنوان ورودی رویکردها و یک متغیر به عنوان خروجی استفاده می‌شود. ابتدا، DOE برای مشاهده اثرات متغیرها انجام می‌شود. روش پلکت-برمن برای تعیین تأثیر متغیرها بر هرزروی استفاده می‌شود. پس از آن، داده کاوی برای پیش بینی میزان هرزروی انجام می‌شود. کلاس رگرسیون برای تعیین یک تابع برای مدل سازی داده‌ها و خطای مدل استفاده می‌شود. سپس از ANFIS برای پیش بینی میزان هرزروی استفاده می‌شود. داده‌های انتخاب شده به منظور آموزش، آزمایش و کنترل ANFIS استفاده می‌شود. علاوه بر این، خوشه‌بندی تفریقی برای آموزش سیستم استنتاج فازی (FIS) مدل استفاده می‌شود. عملکرد مدل ANFIS از طریق ریشه میانگین مربعات خطا (RMSE) ارزیابی می‌شود. نتایج نشان می‌دهد که روش ANFIS می‌تواند با موفقیت برای ایجاد مدل پیش بینی هرزروی استفاده شود. علاوه بر این، نتایج ANFIS و داده کاوی از طریق عملکرد پیش‌بینی آنها مورد بررسی قرار می‌گیرند. مقایسه هر دو روش نشان می‌دهد که خطای ANFIS بسیار کمتر از داده کاوی است(رویکرد داده کاوی برای پیش‌بینی).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Application of adaptive neuro-fuzzy inference system and data mining approach to predict lost circulation using DOE technique (case study: Maroon oilfield)

Abstract

 Lost circulation is the most common problem encountered while drilling oil wells. Occurrence of such a problem can cause a lot of time and cost wastes. In order to drill oil wells, a fast and profitable way is necessary to predict and solve lost circulation problem. Expert system is a method used lately for problems that deal with uncertainty. In this paper, three approaches are carried out for prediction of lost circulation problem. These approaches include design of experiments (DOE), data mining, and adaptive neuro-fuzzy inference system (ANFIS). Data of 61 wells of Maroon oilfield are selected and sorted as the feed of the systems. Seventeen variables are used as inputs of the approaches and one variable is used as the output. First, DOE is conducted to observe the effects of variables. Plackett-Burman method is used to determine the effects of variables on lost circulation. After that, data mining is conducted to predict the amount of lost circulation. The class of regression is used to determine a function to model the data and the error of the model. Then, ANFIS is applied to predict the amount of lost circulation. The chosen data are used in order to train, test, and control the ANFIS. Furthermore, subtractive clustering is used to train the fuzzy inference system (FIS) of the model. The performance of the ANFIS model is assessed through the root mean squared error (RMSE). The results suggest that ANFIS method can be successfully applied to establish lost circulation prediction model. In addition, results of ANFIS and data mining are investigated through their prediction performances. The comparison of both methods reveals that ANFIS error is much lower than data mining.