شفقنا – پژوهشگران کرهای با همکاری بیمارستان سنت مری سئول، یک روش مبتنی بر هوش مصنوعی و شبکه عصبی خودرمزگذار عمیق (autoencoder) را توسعه دادهاند که قادر است رویداد گیرکردن لوله (stuck pipe) را در عملیات حفاری نفت و گاز با دقت ۹۹.۰۶ درصد و در عرض تنها ۱۰ دقیقه تشخیص دهد.
به گزارش سرویس ترجمه شفقنا، این فناوری نوین با تحلیل دادههای زمانبندی شده حفاری، الگوهای عادی را شناسایی کرده و هرگونه انحراف نشاندهنده گیرکردن لوله را به عنوان یک ناهنجاری تشخیص میدهد.
این روش جدید با استفاده از دادههای یک میدان نفتی، یک مدل خودرمزگذار عمیق را منحصراً بر اساس شرایط حفاری عادی آموزش داده است. مدل پیشنهادی از خطای بازسازی به عنوان معیار تشخیص ناهنجاری استفاده میکند و به طور موثر بین موارد عادی و گیرکردن لوله تمایز قائل میشود.
این یافتهها پتانسیل رویکردهای مبتنی بر یادگیری عمیق را در بهبود تشخیص ناهنجاری در آن واحد برجسته میکند و یک راه حل مقیاسپذیر و مقرونبهصرفه برای کاهش اختلالات حفاری ارائه میدهد.
زمان استنتاج مدل در یک ایستگاه کاری استاندارد حدود ۱۴ میلیثانیه است که امکان طبقهبندی سریع ناهنجاریها با حداقل تأخیر را فراهم میکند و آن را برای استقرار در عملیات حفاری حساس به زمان مناسب میسازد.
در مقایسه با روشهای سنتی یادگیری ماشین نیز نشان میدهد که مدل پیشنهادی عملکرد بهتری در تشخیص گیرکردن لوله دارد.
این خبر را اینجا ببینید.
