Синергетичне прогнозування швидкості проникнення при гірничих роботах у Boukhadhra з використанням регресії, планування експериментів, нечіткої логіки та штучної нейронної мережі

Автор(и)

DOI:

https://doi.org/10.15587/2706-5448.2024.309965

Ключові слова:

буріння, видобуток корисних копалин, швидкість проходки, підхід планування експериментів, нечітка логіка, штучна нейронна мережа

Анотація

Порівняльний аналіз методологій прогнозування підкреслює оригінальний внесок цього дослідження в оптимізацію прогнозування швидкості проходки при бурінні гірничих свердловин. Акцент на використання передових штучних нейронних мереж, нечіткої логіки та лінійних регресійних моделей дає нове розуміння підвищення точності прогнозування та операційної ефективності в гірничодобувній практиці. Це дослідження має на меті кількісно оцінити вплив трьох ключових параметрів буріння: міцності на стиск, обертального тиску та тиску на швидкість проходки, що є критично важливим показником продуктивності в гірничодобувних операціях буріння. Крім того, дослідження спрямоване на розробку та оцінку передових методологій прогнозування швидкості проходки. Вплив міцності на стиск, тиск обертання та тиску на швидкість проходки досліджували за допомогою підходу планування експериментів (ППЕ) Спочатку за допомогою ППЕ були визначені основні ефекти та двосторонні взаємодії між цими змінними Згодом було розроблено та оцінено три методології прогнозування: лінійна регресія, нечітка логіка та штучні нейронні мережі – для прогнозування швидкості проходки  на основі виявлених факторів. Оцінка методів прогнозування показала, що модель штучних нейронних мереж продемонструвала чудову точність у прогнозуванні швидкості проникнення, досягнувши точності понад 95 %. Крім того, модель нечіткої логіки забезпечила ефективну обробку нелінійностей у даних, тоді як лінійна регресійна модель дала початкове уявлення про взаємозв'язки між змінними. Застосування передових методологій прогнозування штучних нейронних мереж, нечіткої логіки та лінійної регресії для оптимізації прогнозування швидкості проходки в гірничодобувних буріннях дає точне уявлення про взаємодію параметрів буріння, підвищуючи операційну ефективність і підтримуючи прийняття обґрунтованих рішень в гірничодобувній практиці.

Біографії авторів

Mohamed Mebarkia, Badji Mokhtar University, Annaba; University of Echahid Echikh Larbi Tebessi

Doctor in Mining Engineering, Associate Professor

Mining Department

Environment Laboratory

Mining Institute

Asma Abdelmalek, Badji Mokhtar University, Annaba

LAVAMINE Laboratory

Mining Department

Zoubir Aoulmi, University of Echahid Echikh Larbi Tebessi

PhD, Associate Professor

Environment Laboratory

Mining Institute

Messaoud Louafi, University of Echahid Echikh Larbi Tebessi

Professor

Environment Laboratory

Mining Institute

Abdelhak Tabet, Badji Mokhtar University, Annaba

Doctor in Mining Engineering, Associate Professor

LAVAMINE Laboratory

Mining Department

Aissa Benselhoub, Environmental Research Center (C.R.E)

PhD, Associate Researcher

Посилання

  1. Anemangely, M., Ramezanzadeh, A., Tokhmechi, B., Molaghab, A., Mohammadian, A. (2018). Drilling rate prediction from petrophysical logs and mud logging data using an optimized multilayer perceptron neural network. Journal of Geophysics and Engineering, 15 (4), 1146–1159. https://doi.org/10.1088/1742-2140/aaac5d
  2. Hegde, C., Millwater, H., Pyrcz, M., Daigle, H., Gray, K. (2019). Rate of penetration (ROP) optimization in drilling with vibration control. Journal of Natural Gas Science and Engineering, 67, 71–81. https://doi.org/10.1016/j.jngse.2019.04.017
  3. Shi, X., Liu, G., Gong, X., Zhang, J., Wang, J., Zhang, H. (2016). An Efficient Approach for Real-Time Prediction of Rate of Penetration in Offshore Drilling. Mathematical Problems in Engineering, 2016, 1–13. https://doi.org/10.1155/2016/3575380
  4. Nascimento, A., Tamas Kutas, D., Elmgerbi, A., Thonhauser, G., Hugo Mathias, M. (2015). Mathematical Modeling Applied to Drilling Engineering: An Application of Bourgoyne and Young ROP Model to a Presalt Case Study. Mathematical Problems in Engineering, 2015, 1–9. https://doi.org/10.1155/2015/631290
  5. Najjarpour, M., Jalalifar, H., Norouzi-Apourvari, S. (2021). A review on half a century of experience in rate of penetration management: Application of analytical, semi-analytical and empirical models. Advances in Geo-Energy Research, 5 (3), 252–273. https://doi.org/10.46690/ager.2021.03.03
  6. Seifabad, M. C., Ehteshami, P. (2013). Estimating the drilling rate in Ahvaz oil field. Journal of Petroleum Exploration and Production Technology, 3 (3), 169–173. https://doi.org/10.1007/s13202-013-0060-3
  7. Bezminabadi, S. N., Ramezanzadeh, A., Esmaeil Jalali, S.-M., Tokhmechi, B., Roustaei, A. (2017). Effect of Rock Properties on ROP Modeling Using Statistical and Intelligent Methods: A Case Study of an Oil Well in Southwest of Iran. Archives of Mining Sciences, 62 (1), 131–144. https://doi.org/10.1515/amsc-2017-0010
  8. Alsubaih, A., Albadran, F., Alkanaani, N. (2018). Mechanical specific energy and statistical techniques to maximizing the drilling rates for production section of Mishrif wells in Southern Iraq fields. SPE/IADC Middle East Drilling Technology Conference and Exhibition. Abu Dhabi: Society of Petroleum Engineers. https://doi.org/10.2118/189354-ms
  9. Rais, K., Kara, M., Hadji, R. H., Gadri, L., Khochmen, L. (2017). Original approach for the drilling process op-timization in open cast mines; Case study of kef essenoun open pit mine northeast of algeria. Mining Science, 24, 147–159.
  10. Kricak, L., Negovanovic, M., Mitrovic, S., Miljanovic, I., Nuric, S., Nuric, A. (2015). Development of a fuzzy model for predicting the penetration rate of tricone rotary blasthole drilling in open pit mines. Journal of the Southern African Institute of Mining and Metallurgy, 115 (11), 1065–1071. https://doi.org/10.17159/2411-9717/2015/v115n11a11
  11. Alarifi, S., AlNuaim, S., Abdulraheem, A. (2015). Productivity Index Prediction for Oil Horizontal Wells Using Different Artificial Intelligence Techniques. All Days. https://doi.org/10.2118/172729-ms
  12. Bai, Y., Zhuang, H., Wang, D. (2006). Fundamentals of fuzzy logic control – fuzzy sets, fuzzy rules and defuzzifications. Advanced Fuzzy Logic Technologies in Industrial Applications, XXV. Springer, 17–36. https://doi.org/10.1007/978-1-84628-469-4_2
  13. Ghasemi, E., Ataei, M., Hashemolhosseini, H. (2012). Development of a fuzzy model for predicting ground vibration caused by rock blasting in surface mining. Journal of Vibration and Control, 19 (5), 755–770. https://doi.org/10.1177/1077546312437002
  14. Tahmasebi, P., Hezarkhani, A. (2012). A hybrid neural networks-fuzzy logic-genetic algorithm for grade estimation. Computers & Geosciences, 42, 18–27. https://doi.org/10.1016/j.cageo.2012.02.004
  15. Anifowose, F., Abdulraheem, A. (2011). Fuzzy logic-driven and SVM-driven hybrid computational intelligence models applied to oil and gas reservoir characterization. Journal of Natural Gas Science and Engineering, 3 (3), 505–517. https://doi.org/10.1016/j.jngse.2011.05.002
  16. Hemphill, T., Bern, P. A., Rojas, J., Ravi, K. (2007). Field Validation of Drillpipe Rotation Effects on Equivalent Circulating Density. Proceedings of the SPE Annual Technical Conference and Exhibition, Society of Petroleum Engineers (SPE). https://doi.org/10.2118/110470-ms
  17. Hinton, G. E., Osindero, S., Teh, Y.-W. (2006). A Fast Learning Algorithm for Deep Belief Nets. Neural Computation, 18 (7), 1527–1554. https://doi.org/10.1162/neco.2006.18.7.1527
  18. Liew, S. S., Khalil-Hani, M., Bakhteri, R. (2016). An optimized second order stochastic learning algorithm for neural network training. Neurocomputing, 186, 74–89. https://doi.org/10.1016/j.neucom.2015.12.076
  19. Arabjamaloei, R., Shadizadeh, S. (2011). Modeling and Optimizing Rate of Penetration Using Intelligent Systems in an Iranian Southern Oil Field (Ahwaz Oil Field). Petroleum Science and Technology, 29 (16), 1637–1648. https://doi.org/10.1080/10916460902882818
  20. Shi, X., Liu, G., Gong, X., Zhang, J., Wang, J., Zhang, H. (2016). An Efficient Approach for Real-Time Prediction of Rate of Penetration in Offshore Drilling. Mathematical Problems in Engineering, 2016, 1–13. https://doi.org/10.1155/2016/3575380
Synergistic prediction of penetration rate in Boukhadhra mining using regression, design of experiments, fuzzy logic, and artificial neural networks

##submission.downloads##

Опубліковано

2024-08-14

Як цитувати

Mebarkia, M., Abdelmalek, A., Aoulmi, Z., Louafi, M., Tabet, A., & Benselhoub, A. (2024). Синергетичне прогнозування швидкості проникнення при гірничих роботах у Boukhadhra з використанням регресії, планування експериментів, нечіткої логіки та штучної нейронної мережі. Technology Audit and Production Reserves, 4(1(78), 32–42. https://doi.org/10.15587/2706-5448.2024.309965

Номер

Том 4 № 1(78) (2024): Виробничо-технологічні системи

Розділ

Технології та системи енергопостачання

Ліцензія

Авторське право (c) 2024 Mohamed Mebarkia, Asma Abdelmalek, Zoubir Aoulmi, Messaoud Louafi, Abdelhak Tabet, Aissa Benselhoub

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.