فهرست نشریات علمی دسترسی آزاد ایران

مدول یانگ یکی از پارامترهای مهم در مدل‌سازی‌ ژئومکانیکی و یکی از پیش نیازهای اساسی برای تحلیل پایداری دیواره چاه در طول مسیر حفاری چاه‌های نفت و گازی است. برای تعیین مدول یانگ مدل‌های تجربی زیادی معرفی شده‌اند که هر کدام از آنها مختص منطقه‌ای خاص هستند. یکی از روش‌هایی که اخیرا زیاد مورد استفاده قرار می‌گیرد روش‌های هوشمند است. در این مطالعه سعی شده است تا مدول یانگ دینامیک با استفاده از الگوریتم‌های یادگیری عمیق در یکی از چاه‌های مخازن هیدروکربنی جنوب غرب ایران پیش‌بینی شود. برای استفاده از الگوریتم‌های یادگیری عمیق ویژگی‌های موثر برای تخمین مدول یانگ برای ورودی الگوریتم‌ها با تعیین ضریب همبستگی پیرسون مشخص شدند. در ادامه با استفاده از شبکه‌های ترکیبی CNN+LSTM, LSTM+MLP مدول یانگ تخمین زده شد و مقدار ضریب تعیین برای این الگوریتم‌ها برای داده‌های آموزش و تست نزدیک به 1 و خطای پیش‌بینی هر دو الگوریتم بسیار کم به دست آمده است. همچنین برای اطمینان از نتایج الگوریتم‌ها بخشی از داده به عنوان داده شاهد کنار گذاشته شد و خطا و ضریب تعیین برای آن محاسبه گردید که مقادیر خطا (MSE) برای شبکه‌های ترکیبی CNN+LSTM و LSTM+MLP به ترتیب برابر 99/25 و 51/30 و مقادیر ضریب تعیین (R2) آنها به ترتیب برابر 81/0 و 77/0 به دست آمده است. نتایج حاصل بیان‌کننده کارآیی الگوریتم‌های یادگیری عمیق معرفی شده در پیش‌بینی مدول یانگ است ولی در مقایسه دو الگوریتم ارایه شده، الگوریتم CNN+LSTM دقت بالاتر و خطای کمتری دارد.