مقاله رایگان با موضوع بهبود عملکرد، آزمون و خطا

بایاس‌ها) و در نتیجه افزایش دقت مدل از الگوریتم‌های بهینه‌سازی که توانایی خاصی در این زمینه دارند، استفاده کرد. یکی از این نوع الگوریتم‌ها، الگوریتم ژنتیک می‌باشد که در فصل 3 توضیح داده شده است.
ورودی‌ها و خروجی برای هر دو شبکه مشابه است. معمولاً، پیدا کردن ساختار شبکه مناسب در این معماری بر اساس روش آزمون و خطا است. به عبارت دیگر، باید سلول‌های عصبی (نرون) مختلف با لایه‌های مختلف تست شوند. سپس، بر اساس میزان خطای آموزش و تست، ساختار مطلوب را انتخاب می‌کنیم.
در این مطالعه و برای این بخش، ما از توابع انتقال تنسیگ و پورلین به ترتیب برای لایه های پنهان و لایه خروجی استفاده کردیم. بهترین معماری برای شبکه پرسپترون چند لایه به صورت [1 12 12] (12 نرون در لایه مخفی اول، 12 نرون در لایه مخفی دوم و یک نرون در لایه خروجی) بدست آمد. در واقع، در این معماری میانگین مربع خطای حداقل و حداکثر ضریب همبستگی مشاهده شده است. همچنین، همان‌طور که گفته شد، 25% از مجموعه داده های موجود برای تست اختصاص داده شد. میانگین مربع خطا و ضریب همبستگی برای داده‌های تست به ترتیب 0023/0 و 9/0 بدست آمد.
تصویر 5-1 ضریب همبستگی شبکه عصبی پرسپترون در مرحله تست را نشان می‌دهد. این شکل نشان می‌دهد که به کمک شبکه عصبی پرسپترون می‌توان مقادیر مقاومت را در مقادیر بالا با دقت خوب پیش‌بینی کرد اما در مقادیر کمتر از 9/0، دقت شبکه مناسب نیست و محاسبات با خطا همراه بوده و بیش از مقدار واقعی پیش‌بینی می‌شوند.
برای بهبود عملکرد شبکه‌های عصبی می‌توان از الگوریتم‌های بهینه‌سازی استفاده کرد. در قسمت بعدی تغییرات محسوس نتایج به دلیل استفاده از این الگوریتم‌ها را خواهیم دید.

شکل 5-1 نمودار ضریب همبستگی MLP برای پیش‌بینی داده‌های UCS در مرحله تست

5-2-1-2- پیش‌بینی UCS توسط MLP&GA
یکی از مشکلات اصلی در شبکه‌های عصبی به ویژه پرسپترون چندلایه محاسبات پیچیده و زمان بر مربوط به انتخاب وزن مناسب برای لایه‌ها می‌باشد، که با انتخاب درست آن‌ها می‌توان دقت شبکه و همچنین زمان محاسبات را کاهش داد. یکی از روش‌های مفید و مرسوم برای یافتن مقادیر بهینه در یک فضای جستجو بسیار بزرگ، الگوریتم ژنتیک می‌باشد. به کمک این روش می‌توان در زمان کمتر، به دقت بالاتری دست یافت.
الگوریتم ژنتیک در زمینه‌های گسترده‌ای کاربرد دارد اما در مشکلاتی که فضای جستجو بزرگ، پیچیده و یا درک ضعیفی از آن داریم، همچنین زمانی که روش‌های جستجوی سنتی شکست می‌خورند و یا هیچ تجزیه و تحلیل ریاضی در دسترس نیست بسیار مفید هستند. مراحل آموزش شبکه عصبی پرسپترون توسط الگوریتم ژنتیک در زیر توضیح داده شده است:
1. وزن‌های شبکه پرسپترون به صورت تصادفی مقداردهی اولیه می‌شوند.
2. داده‌های ورودی از طریق لایه ورودی به شبکه اعمال می‌شوند و خروجی حاصل با خروجی مطلوب مقایسه می‌شود.
3. اگر خروجی رضایت بخش نباشد، با استفاده از الگوریتم ژنتیک نسل جدیدی از وزن‌ها تولید می‌شود و در شبکه اعمال می‌شوند و دوباره به مرحله 2 بر می‌گردیم. این چرخه تا زمانی که ما به خطای زیر حد مجاز دست یابیم ادامه می‌یابد. فلوچارت شکل 5-2 آموزش شبکه پرسپترون توسط الگوریتم ژنتیک را نشان می‌دهد.

شکل 5-2 فلوچارت آموزش شبکه MLP توسط الگوریتم ژنتیک

میزان خطا و ضریب همبستگی این مدل برای محاسبه مقاومت فشاری تک محوره در مرحله تست به ترتیب 000326/0 و 99/0 درصد می‌باشد. شکل 5-3 ضریب همبستگی این مدل را در مرحله تست نشان می‌دهد.
می‌توان برای مقایسه عملکرد دو مدل شبکه پرسپترون بهینه و پرسپترون معمولی از تعداد ایپک مورد نیاز برای رسیدن به تغییرات پایدار میانگین مربع خطا استفاده کرد. به عبارت دیگر، می‌توان میانگین مربع خطا را برای هر دوره (ایپک) جهت یافتن عملکرد شبکه‌های مختلف در تنظیم وزن خود مقایسه کرد. این مقایسه را می‌توانید در شکل 5-4 ببینید.

شکل 5-3 نمودار ضریب همبستگی MLP&GA برای پیش‌بینی داده‌های UCS در مرحله تست.

شکل 5-4 مقایسه شبکه‌های MLP و MLP&GA بر اساس میزان خطا و سرعت همگرایی.
با توجه به شکل 5-4، مشخص است که شبکه پرسپترون بهینه زمان کمتری برای همگرا شدن نیاز دارد. این بهبود باعث کاهش پیچیدگی‌های شبکه شده و زمان محاسبات را نیز کاهش می‌دهد و در نتیجه الگوریتم یادگیری سریع‌تر به منیمم سراسری دست می‌یابد.
با توجه به حجم بالای داده‌ها، مختصری از مقایسه UCS پیش‌بینی شده در مرحله تست، برای هر دو شبکه با مقدار واقعی، در شکل 5-5 نشان داده شده است. با توجه به شکل، نزدیکی بسیار خوبی بین داده‌های واقعی و تخمینی UCS برای MLP&GA وجود دارد. در جدول 5-1 دقت دو شبکه بر اساس معیارهای مختلف بیان شده است.
پارامترهای که برای اجرای این الگوریتم استفاده شدند به این شرح هستند: اندازه جمعیت 150 گرفته شد. مقادیر و به ترتیب 60 و 15 درصد در نظر گرفته شدند و 15 درصد جمعیت باقیمانده به صورت نخبه گرایی انتخاب می‌شوند. بدین صورت که جمعیتی که بیشترین مقدار شایستگی را دارند مستقیماً به جمعیت جدید اضافه می‌شوند. روش انتخابی الگوریتم برای تولید جمعیت جدید، انتخاب نرمال سازی خطی است.

شکل 5-5 مقایسه مقادیر تخمین زده شده UCS توسط هر دو شبکه با مقادیر واقعی.

جدول 5-1 مقایسه عملکرد دو شبکه‌ عصبی استفاده شده برای مدل‌سازی تعیین UCS.
مدل
شبکه عصبی
MSE
R

مدل اول
MLP
0023/0
9/0
81/0
مدل دوم
MLP&GA
000326/0
99/0
98/0

5-3- انتخاب مته حفاری و بهبود نرخ نفوذ
برای داشتن مدلی جامع و فراگیر در انتخاب مته و بهبود نرخ نفوذ، نیاز به در نظر گرفتن کلیه پارامترهای تأثیرگذار می‌باشد. با توجه به تأثیر گل حفاری بر نرخ نفوذ، مشخصات گل حفاری نیز به عنوان پارامترهای ورودی شبکه عصبی در نظر گرفته شده‌اند. در مطالعه‌ی حاضر دو مدل با استفاده از شبکه‌های عصبی توسعه یافتند.

5-3-1- روش کار
5-3-1-1- پیش‌بینی مته حفاری
از آنجایی که مته حفاری اثر قابل توجهی بر نرخ نفوذ حفاری دارد و می‌توان گفت که پارامتر اصلی در بهبود نرخ نفوذ است، مدلی جداگانه برای پیش‌بینی مته حفاری مناسب ساخته شد. در این مدل، سایز مته، سطح کل نازل‌ها، متراژ حفاری، عمق ورودی و عمق خروجی، وزن روی مته، سرعت دوران رشته حفاری، نرخ نفوذ، دبی جریان گردش گل، فشار گل، گرانروی پلاستیک گل، میانگین مقاومت فشاری تک محوره سازند به عنوان پارامترهای ورودی و نوع مته بر اساس کد IADC خروجی شبکه عصبی می‌باشند.
بهترین شبکه عصبی توسعه یافته برای مدل اول، شبکه‌ی عصبی پرسپترون چند لایه با ساختار[1 4[ (یک لایه مخفی با چهار نرون و یک لایه خروجی با یک نرون) با توابع انتقال تنسیگ برای لایه مخفی و پورلین برای لایه خروجی و تابع آموزش ترین‌لیم می‌باشد. شکل 5-7 ضریب رگرسیون شبکه‌ی عصبی در انتخاب مته حفاری برای داده‌های تست را نشان می‌دهد.

این مطلب مشابه را هم بخوانید :   منابع مقاله دربارهمحل سکونت

شکل 5-6 ضریب همبستگی شبکه‌ی عصبی در انتخاب مته حفاری برای داده‌های تست.

سپس برای بررسی قابل استفاده بودن مدل انتخاب مته برای سایر میادین نفتی، آن را توسط داده‌های حفاری میادین مارون، منصوری و کوپال تست کردیم. نتایج از مناسب نبودن آن برای سایر میادین نفتی حتی میادین مجاور حکایت می‌کنند. به کمک این مدل ما می‌توانیم مته حفاری مناسب، که نرخ نفوذ مورد نظر ما را فراهم می‌کند، پیش‌بینی کنیم.

5-3-1-2- پیش‌بینی نرخ نفوذ حفاری
برای پیش‌بینی و دستیابی به حداکثر نرخ نفوذ حفاری، مدل دوم ساخته می‌شود. در گام اول، شبکه‌ی عصبی پرسپترون چند لایه با ساختار [1 11[ (یک لایه مخفی با یازده نرون و یک لایه خروجی با یک نرون) با توابع انتقال تنسیگ برای لایه مخفی و پورلین برای لایه خروجی و تابع آموزش ترین‌لیم توسعه می‌یابد. در این مدل علاوه بر پارامترهای گفته شده، نوع مته نیز به پارامتر ورودی اضافه می‌شود و نرخ نفوذ، هدف و خروجی مدل برای پیش‌بینی و بهینه‌سازی خواهد شد. شکل 5-8 ضریب رگرسیون شبکه‌ی عصبی در پیش‌بینی نرخ نفوذ حفاری برای داده‌های تست را نشان می‌دهد.. برای بررسی قابل استفاده بودن مدل برای سایر میادین نفتی، آن را توسط داده‌های حفاری میادین مارون، منصوری و کوپال تست کردیم. که دقت مدل برای این میادین به ترتیب 603/0، 848/0 و 898/0 می‌باشد. پس می‌توان نتیجه گرفت که هر دو مدل تنها برای میدان اهواز قابل استفاده هستند و نمی‌توان آنها برای سایر میادین به کار برد. در جدول 5-9 عملکرد دو مدل پیش‌بینی انتخاب مته و نرخ نفوذ حفاری ارائه شده است.

شکل 5-7 ضریب همبستگی شبکه‌ی عصبی در پیش‌بینی نرخ نفوذ حفاری برای داده‌های تست.
جدول 5-2 مقایسه عملکرد دو مدل پیش‌بینی انتخاب مته و نرخ نفوذ حفاری.
مدل
شبکه عصبی
MSE
R

مدل اول
MLP
0092/0
984/0
968/0
مدل دوم
MLP
021/0
962/0
925/0

5-3-1-3- بهینه‌سازی نرخ نفوذ حفاری
بر طبق پروفایل چاه، بهینه‌سازی انتخاب مته و دیگر پارامترهای ورودی باید در سه بخش مجزا چاه انجام شود. برای فرآیند بهینه‌سازی، تغییرات در پارامترهای شبیه وزن روی مته، دوران رشته حفاری، سطح کل جریان، دبی جریان گردش گل و فشار مجاز است، در حالی که اندازه مته و متوسط مقاومت فشاری سازند باید ثابت نگه داشته شوند. محدوده پارامترهای متغیر و مقادیر پارامترهای ثابت در بخش‌های مختلف چاه در جدول 5-3 ارائه شدند. برای بهینه‌سازی تابع نرخ نفوذ، از الگوریتم‌های ژنتیک استفاده شد.
با استفاده از الگوریتم ژنتیک به عنوان یک ابزار قدرتمند، بهینه‌سازی نرخ نفوذ در هر بخش چاه برای هر مته به صورت جداگانه انجام می‌شود. همان‌طور که در جدول 5-3 نشان داده شده است، دامنه پارامترهای ورودی متغیر و ثابت در بخش‌های مختلف چاه تغییر می‌کند. این اختلاف به دلیل تفاوت در هندسه چاه و محدودیت در جریان گردش گل به منظور تمیزسازی چاه و جلوگیری از گیر لوله است. بهینه‌سازی تابع نرخ نفوذ توسط الگوریتم ژنتیک در سایز جمعیت 20، تابع مقیاس رنک، تابع انتخاب استکاستیک یونیفرم89، تابع جهش گوسین و تابع تقاطع پراکنده90 اتفاق می‌افتد. نتایج بهینه‌سازی پارامترها برای دستیابی به حداکثر نرخ نفوذ در جدول 5-4 و شکل 5-9 ارایه شده است.

جدول 5-3 مقدار و محدوده پارامترهای ثابت و متغیر در بخش‌های مختلف چاه.
سایز مته ()
مقدار پارامترهای ثابت
محدوده پارامترهای متغیر
5/17
عمق ورودی() : 187
متراژ حفاری() : 4982
میانگین مقاومت فشاری() : 7/6381
[ 1 , 18 – 27 ]: نوع مته
[15 – 80 ] : (1000) وزن روی مته
[100 – 200 ] : () سرعت دوران رشته حفاری
[ 589/0 – 553/1 ] : () کل سطح مقطع جریان
[ 5/2 – 29 ] : () ویسکوزیته پلاستیک
[ 5/312 – 2900 ] : () فشار پمپ
[ 86/332 – 1000] : () دبی خروجی پمپ
25/12
عمق ورودی() : 5169
متراژ حفاری() : 3608
میانگین مقاومت فشاری() : 3/12460
[ 1 , 8 , 11 – 17 ] نوع مته :
[10 – 45 ] : (1000 ) وزن روی مته
[40 – 220 ] : () سرعت دوران رشته حفاری
[ 3/0 – 203/1 ] :
() کل سطح مقطع جریان
[ 5/20 – 93/75 ] : () ویسکوزیته پلاستیک
[ 67/491 – 57/3327 ] : () فشار پمپ
دبی خروجی پمپ () : ]225 – 650[
5/8
عمق ورودی() : 8777
متراژ حفاری () : 3352
میانگین مقاومت فشاری () : 54/13549
[ 1 – 10 , 12 ]: نوع مته
[10 – 50 ] : (1000 ) وزن روی مته
[20 – 190 ] : () سرعت دوران رشته حفاری
[ 451/0 – 491/1 ] : () کل سطح مقطع جریان
[ 25/4 – 64 ] : () ویسکوزیته پلاستیک
[ 450 – 33/1633 ] : () فشار پمپ
[ 67/116 – 515] : () دبی خروجی پمپ

جدول 5-4 مقادیر پارامترهای بهینه‌سازی شده در بخش‌های مختلف چاه
سایز چاه
(in)
نوع مته
(IADC Code)
نوع مته
Bit Type
نرخ نفوذ
(ft/hr)
وزن روی مته1000
سرعت دوران رشته حفاری
سطح مقطع
جریان
ویسکوزیته
پلاستیک (Cp)
فشار پمپ
(Psi)
دبی خروجی
پمپ (gpm)
5/17
M323
HC606
8/93
22
198
88/0
15
1225
451
25/12
M422
DSX819
45
35
170
15/1
40
1550
346
5/8
M323
G536XL
24/40
40
180
81/0
28
1730
480

5-8-1

دیدگاهتان را بنویسید