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

10.52547/envs.2021.220301.1010

چکیده

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 حائظ اهمیت باشد. در این تحقیق سعی شده است که میزان آلودگی کنده های حفاری، با وجود پارامترهای سازندی 10 چاه های نفتی حفاری شده در اعماق مختلف (66 دسته داده)، به کمک رگرسیون یادگیری حدی شبکه عصبی مصنوعی تخمین زده شود. 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 به طوریکه تخمین میزان آلودگی کنده های حفاری 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

2 Faculty Member/Faculty of Earth Sciences, Kharazmi University

3 Pars Drilling Fluids Company, Tehran, Iran

چکیده [English]

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 it’s recycling as an essential and fundamental matter in the industrial oil and gas and also the environment. Therefore, 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. 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 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. The results are suitable for estimating the contamination of drilling cuttings and in subsequent environmental protection processes. Such as the process of contamination and recycling of drilling mud will play an efficient role.

کلیدواژه‌ها [English]

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