ارزیابی آلودگی فلزات سنگین و مواد آلی کنده ها و گل حفاری با استفاده از تکنیک الگوریتم رگرسیون یادگیری حدی هوش مصنوعی در یکی از میادین نفتی جنوب ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی معدن، دانشگاه بین المللی امام خمینی(ره)، قزوین، ایران

2 گروه زمین شناسی کاربردی، دانشکده علوم زمین، دانشگاه خوارزمی، تهران، ایران

3 مدیریت پسماند حفاری، شرکت سیالات حفاری پارس، تهران، ایران

چکیده

سابقه و هدف: فرآیند استخراج و بهره برداری از منابع نفت و گاز به چرخه تولید، ارسال و بازیافت گل حفاری یا سیال حفاری نیاز دارد، بنابراین رسیدن به ترکیب مناسب گل حفاری و بازیافت مجدد آن، به عنوان یک امر مهم و اساسی در صنعت نفت و محیط زیست به شمار می­ رود. به­ طوری­که مشخص نمودن میزان آلودگی فلزات سنگین و مواد آلی موجود در گل حفاری و کنده ­های حفاری به صورت غیر مستقیم می ­تواند حائز اهمیت باشد.
مواد و روش ­ها: در این تحقیق سعی شده است که میزان آلودگی کنده ­های حفاری، با وجود پارامترهای سازندی در 10 چاه نفتی حفاری شده در اعماق مختلف (66 دسته داده)، به کمک رگرسیون یادگیری حدی شبکه عصبی مصنوعی، تخمین زده شود.
نتایج و بحث: تعداد 60 دسته داده از داده ­های تهیه شده به منظور تخمین میزان تغییر در غلظت فلزات سنگین، هیدروکربن­ های آروماتیک چند حلقه­ ای در فرآیند یادگیری و آزمون دخالت داده شده ­اند و 6 دسته داده دیگر مربوط به یک چاه که به طور تصادفی انتخاب شده و در فرآیند اعتبارسنجی شبکه عصبی مصنوعی استفاده شده ­اند. الگوریتم رگرسیون یادگیری حدی برای 10 عنصر سنگین و 10ترکیب آروماتیک آلوده کننده­ ی کنده و گل حفاری بر روی دو سری داده ­ی مختلف در یک منطقه ­ی حفاری در یکی از میادین نفتی جنوب ایران مورد ارزیابی قرار گرفت.
نتیجه گیری: تخمین میزان آلودگی کنده ­های حفاری وگل حفاری با استفاده از الگوریتم مورد استفاده در تحقیق مناسب بوده و در پروسه ­های بعدی صیانت از محیط زیست از قبیل فرآیند تثبیت آلودگی ­ها و بازیافت گل حفاری نقش کارآمدی خوهد داشت.

کلیدواژه‌ها

عنوان مقاله [English]

Assessment of Cutting and Drilling Mud Heavy Metals and Organic Matter Contamination Using Limit Learning Regression Algorithm Technique of Artificial Intelligence in one of the Oil Fields of Southern Iran

نویسندگان [English]

  • Saeid Ahadi 1
  • َAndisheh Alimoradi 1
  • Hamid Sarkheil 2
  • Mahyar Kalhor Mohammadi 3
  • Mahdi Fathi 1
1 Department of Mining Engineering, Imam Khomeini International University, Qazvin, Iran
2 Department of Applied Geology, Faculty of Earth Sciences, Kharazmi University, Tehran, Iran
3 Drilling Waste Management Unit, Pars Drilling Fluids (PDF) Company, Tehran, Iran
چکیده [English]

Introduction: The process of extraction and exploitation of oil and gas resources requires the cycle of production, sending, and recycling of drilling mud or drilling fluid, so achieving the right combination of drilling mud and its recycling is an essential and fundamental matter in the industrial oil and gas and also the environment.
Material and methods: Determining the level of contamination of heavy metals and organic matter in the drilling mud and drilling cuttings can be necessary so that intelligent methods to estimate these contaminants can be indirectly effective. This study tried to estimate the contamination rate of drilling cuttings, despite the formation parameters of 10 oil wells drilled at different depths (66 data sets), using the regression learning limit of an artificial neural network.
Results and discussion: A total of 60 data sets were prepared to estimate the rate of change in the concentration of heavy metals, polycyclic aromatic hydrocarbons in the learning and testing process, and another six sets of data related to a well that was randomly selected and used in the artificial neural network validation process. Limit learning regression algorithm for ten heavy elements and ten aromatic compounds contaminating cutting and drilling mud on two different data sets in a drilling area in one of the oil fields in southern Iran was evaluated.
Conclusion: The results are suitable for estimating the contamination of drilling cuttings and subsequent environmental protection processes. Such processes of contamination and recycling of drilling mud will play an efficient role.

کلیدواژه‌ها [English]

  • Heavy Metals
  • Polycyclic Aromatic Hydrocarbons
  • Drilling Cutting
  • Limit Learning Regression

مراجع

 
Annis, M.R. and Smith, M.V., 1996. Drilling Fluids Technology, Revised Edition, Exxon Company, USA.
ASME, 2003. Handbook of Drilling Fluids Processing. By ASME Shale Shaker Committee, 666.
Ball, A.S., Steward, R.J. and Schliphake, K., 2011. A review of the current options for the treatment and safe disposal of drill cuttings. Waste Management and Research Journal. 30(5), 457-473.
Chen, Z., Zhou, J., Chen, Z., Chen, H. and Yuanjian, X., 2018. A laboratory evaluation of superheated steam extraction process for decontamination of oil based drill cuttings. Journal of Environmental Chemical Engineering. 6, 6691-6699. https://doi.org/10.1016/j.jece.2018.10.040
Cheraghian, G., Wu, Q., Mostofi, M., Li, M.C., Afrand, M. and Sangwai, J.S., 2018. Effect of a novel clay/silica nanocomposite on water-based drilling fluids: Improvements in rheological and filtration properties. Colloids and Surfaces: A Physicochemical and Engineering Aspects. 555, 339–350.
Darley, H.C.H. and Gray, G.R., 1988. Composition and Properties of Drilling and Completion Fluids, (fifth Edition). Woburn, MA: Butterworth-Heinemann.
Deng, W., Zheng, Q. and Chen, L., 2009. Regularized Extreme Learning Machine, Proc. IEEE Symposium. CIDM, 389–395.
Gholamzadeh Nabatia, E. and Thoben, K.D., 2016. Data-driven decision making in planning the maintenance activities of Off-shore wind energy, In Proceedings  5th International Conference on Through-life Engineering Services. pp.160-165.
Griesbaum, K., Behr, A., Biedenkapp, D., Voges, H.W., Garbe, D., Paetz, C., Collin, G., Mayer, D., and Höke, H., 2002. Hydrocarbons, in Ullmann's Encyclopedia of Industrial Chemistry, Wiley-VCH, Weinheim.
Hassani, H., Sarkheil, H., Foroud, T. and Karimpooli, S., 2011. A Proxy Modeling Approach to Optimization Horizontal Well Placement; OnePetro: San Francisco, CA, USA.
Huang, G.B., Zhou, H., Ding, X. and Zhang, R., 2012. ELM for Regression and Multiclass Classification, IEEE Transactions on Systems, Man, and Cybernetics. 42(2), 513-529.
Morillon, A., Vidalie, J.F., Hamzah, U.S., Suripno, S. and Hadinoto, E.K., 2002. Drilling and Waste Management, SPE 73931, presented at the SPE International Conference on Health, Safety, and the Environment in Oil and Gas Exploration and Production, 20th–22th March.
Onwuka, O.S., Ogbonnaya, I.G.W.E., Ifediegwu, S.I. and Uwom, C.S., 2018. An assessment of the effectiveness of drilling waste treatment process in X-gas field, Niger Delta, Nigeria. Geology, Ecology, and Landscapes Journal2 (7).
Rabia, H. 1985, Oilwell drilling engineering: principles and practice; Gaithersburg, MD, USA.
Rayegani, B., Barati, S., Goshtasb, H., Sarkheil, H. and Ramezani, J. 2019. An effective approach to selecting the appropriate pan-sharpening method in digital change detection of natural ecosystems. Ecological Informatics 53, 100984.
Sarkheil, H., Hassani, H. and Alinia, F., 2021a. Fractures Reservoir Distribution Characterization using Folding Mechanism Analysis and Patterns Recognition in the Tabnak Hydrocarbon Reservoir Anticline, Journal of Petroleum Exploration and Production Technology. 11:2425–2433. https://doi.org/10.1007/s13202-021-01225-y
Sarkheil, H., Kalhor, M., Azimi, Y., Talaeian Araghi, M. and Fathi Noran, M., 2021b. Investigating the Effectiveness of Drilling Mud-Cutting on Heavy Metals and Polycyclic Aromatic Hydrocarbons Contamination by Case Study in Well B of Azadegan South Oil Field; Environmental Sciences. 19 (2), 111-126. (In Persian with English abstract)
Sarkheil, H., Hassani, H. and Alinia, F., 2009a. The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image logs and core measurements. Australian Journal of Basic and Applied Sciences. 3 (4), 3297-3306.
Sarkheil, H., Azimi, Y. and Rahbari, S., 2018. Fuzzy Wastewater Quality Index Determination for Environmental Quality Assessment under Uncertain and Vagueness Conditions. International Journal of Engineering, 31 (8), 1196-1204
Sarkheil, H., Hassani, H. and Alinia, F., 2013. Fractures distribution modeling using fractal and multi-fractal–neural network analysis in Tabnak hydrocarbon field, Fars, Iran. Arabian Journal of Geosciences. 6, 945-956.
Sarkheil, H., Hassani, H., Alinya, F., Enayati, A.A. and Motamedi, H., 2009b. A Forecasting System of Reservoir Fractures Based on Artificial Neural Network And Borehole Images Information-Exemplified by reservoir Fractures in Tabnak Feild, Iran, International Multidisciplinary Scientific GeoConference: SGEM: 1:563, Surveying Geology & Mining Ecology Management (SGEM).
Xua, T., Wang, L., Wang, X., Li, T. and Zhan, X., 2018. Heavy metal pollution of oil-based drill cuttings at a shale gas drilling field in Chongqing, China: A human health risk assessment for the workers, Ecotoxicology, and Environmental Safety. 165, 2018, 160-163.
فصلنامه علوم محیطی
دوره 21، شماره 1
1402
صفحه 163-180

فایل ها

هم رسانی

ارجاع به این مقاله

آمار