رفتن به محتوای اصلی
x
پیش بینی انرژی ویژه و نرخ پیشروی عملیات حفاری با استفاده از تحلیل سیگنال های آوایی
تاریخ دفاع
استاد

راحب باقرپور

دانشکده
مهندسی معدن

فرایند حفاری به ‌عنوان یکی از عملیاتهای مهم در استخراج مواد معدنی و نفت به‌طور مستقیم بر هزینه‌های پروژه اثرگذاراست و مدیریت و بهینه‌سازی این فرایند از اهمیت زیادی برخوردار است. به همین منظوردر این تحقیق به رفتار­سنجی فرایند حفاری با انرژی ویژهحفاری و نرخ نفوذ بوسیله سیگنال‌های آوایی تولید شده در حین حفاری پرداخته ‌شدهاست. پس از اجرای آزمایش‌های حفاری به پردازش سیگنال‌های تولید شده در حین عملیاتپرداخته شد و ارتباط سیگنال‌ها با انرژی و نرخ نفوذ حفاری مورد ارزیابی قرار گرفت.با شروع عملیات حفاری در مقیاس آزمایشگاهی بر روی هر نمونه سنگ به‌ طور پیوستهمصرف انرژی و نرخ نفوذ و رفتار سیگنال‌های آوایی و لرزشی بررسی شد. با توجه به میزانمصرف انرژی حفاری و نرخ نفوذ مشاهده شده سه مرحله حفاری در طول عمر سرمته شناساییشد. روند تغییر سیگنالهای آوایی و لرزشی مشابه با روند تغییرات نرخ نفوذ و انرژی ویژهبود. مراحل شناسایی ‌شده در حالت حفاری با توجه به روند مصرف انرژی و نرخ نفوذ بااستفاده از روش‌های یادگیری ماشین و ارزیابی‌های آماری مورد تحلیل قرار گرفتند. دراین حالت در بین روش‌های مختلف روش شبکه عصبی مصنوعی با دقت ???/? بالاترین دقت رادارا بود. نتایج تائید کننده صحت و کارایی تقسیم‌بندی تعریف ‌شده برای حالت حفاریبود. پس ‌از این مرحله با پردازش سیگنال‌های آوایی و لرزشی در حالات مختلف حفاری ووجود ارتباط نزدیک میان سیگنال‌های آوایی و لرزشی با انرژی ویژه و نرخ نفوذ حفاری،به ارزیابی‌ آماری و توسعه مدل‌های هوشمند با هدف طبقه‌بندی حالت حفاری و پیش‌بینیمقادیر انرژی ویژه و نرخ نفوذ پرداخته شد. پس از اجرای مدل‌ها و آزمایش و اعتبارسنجی بر روی داده‌های آزمایش مشاهده شد که روش جنگل تصادفی با دقت ???/? بهترین نتیجهرا در طبقه‌بندی حالت حفاری با استفاده از سیگنال‌های آوایی و لرزشی حفاری دارد.در مرحله پیش‌بینی مقادیر انرژی ویژه و نرخ نفوذ حفاری با استفاده پارامترهای سیگنال‌هایآوایی و لرزشی منتشر شده در حین حفاری نیز از مدل‌های یادگیری ماشین مختلفیاستفاده شد و نتایج با یکدیگر مقایسه شدند. با مقایسه نتایج روش‌های مختلف مشاهدهشد که روش شبکه عصبی مصنوعی با مقدار R2 ??/? بهترین نتیجهرا در پیش‌بینی مقدار انرژی ویژه حفاری را دارد. در بخش پیشبینی نرخ نفوذ در سنگ نیزبررسی‌ها نشان داد که مدل‌های درخت تصمیم و جنگل تصادفی با مقدار R2 ??/? بهترین

نتیجه را در پیش‌بینی مقدار نرخ نفوذ فرایند حفاری دارد  

تحت نظارت وف ایرانی