فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی دقیق نرخ نفوذ مته به‌دلیل رفتار غیرخطی و چندمتغیره آن، یکی از چالش‌های کلیدی در بهینه‌سازی عملیات حفاری است. در این مطالعه، با استفاده از داده‌های واقعی میدان نفتی شادگان شامل پارامترهای هیدرولیکی، فشار سازندی و مشخصات مکانیکی، دو مدل یادگیری عمیق RNN و LSTM توسعه یافتند. پس از پیش‌پردازش داده‌ها و تقسیم‌بندی زمانی، مدل‌ها بر اساس معیارهای RMSE، MAE و R² ارزیابی شدند. نتایج نشان داد مدل LSTM با ضریب تعیین ۰٫۹۵، MAE برابر ۰٫۰۲۳۶ و RMSE معادل ۰٫۰۳۴۶، عملکردی برتر نسبت به RNN (۰٫۸۵R² =) دارد. همچنین، با بهینه‌سازی پارامترهای عملیاتی، نرخ نفوذ مته به ۸٫۶۳ متر بر ساعت افزایش یافت که بیش از ۳٫۳ برابر میانگین مشاهده‌شده است. این رویکرد می‌تواند در سیستم‌های پشتیبان تصمیم‌گیری حفاری به‌کار رود.