پیچیدگی چاه ها در سالهای گذشته به طور قابل توجهی افزایش یافته است. چاه های با زاویه حفر بالا، چاه های با حفاری چند جانبه، چاه های افقی و چاه های بازگذشتی معمول هستند. به هر حال ممکن است رشته حفاری توسط فشارهای دیفرانسیلی به دیواره چاه گیر کند و نیازمند نیرو و مهارت برای آزاد سازی آن می باشد. هنگامی که این موفقیت آمیز نباشد بعضی مواقع تنها راه حل مسدود کردن قسمت گیر و حفر یک مسیر فرعی در اطراف آن، تغییر برنامه حفاری به طور کامل و افزودن میلیون ها دلار به هزینه چاه می باشد.
بخصوص در عملیات های دریایی جایی که گیر لوله ها به تنهایی می تواند هزینه توسعه یک چاه را به اندازه %30 افزایش دهد هزینه بر است. پدیده گیر رشته حفاری به صورت دیفرانسیلی (Differential Pipe Sticking) تحت تاثیر خواص سیال حفاری و عوامل دیگری از جمله خواص سنگ سازند های زمین شناسی می باشد. اخیرا کاربردی از شبکه های عصبی مصنوعی (Artificial Neural Networks) برای پیش بینی گیر لوله ها به صورت دیفرانسیلی در خلیج مکزیک توسط هالیبرتون چاب شده است.
این مقاله دو نوع مختلف شبکه عصبی پرسپترون چند لایه (Multi Layer Perceptron) و تابع پایه شعاعی (Radial Basis Function) و آموزش این شبکه ها بر اساس روش توزیع معکوس خطا (Back Propagation Algorithm) را برای پیش بینی و کاهش گیر رشته حفاری به صورت دیفرانسیلی هنگام حفاری با گل های پلیمری و پایه روغنی در قسمت مخزنی میادین دریایی خلیج فارس بیان می کند. روش ارایه شده می تواند به صورت یک نیاز برای طراحی بهینه سیال حفاری جهت حفاری و توسعه چاههای نفتی در میادین دریایی خلیج فارس باشد.
کلمات کلیدی: گیر دیفرانسیلی لوله ، شبکه عصبی مصنوعی
