ارزیابی مشکلات حفاری در مخازن ژئوترمال [Persian Thesis]

نیما بابازاده ناصری

شناسگر رکورد: ۵۲۳۶۹
رشته تحصیلی: حفاری
عنوان: ارزیابی مشکلات حفاری در مخازن ژئوترمال
نويسنده: نیما بابازاده ناصری
استاد راهنما : دکتر علی نخعی
مقطع تحصیلی : کارشناسی ارشد
دانشگاه : خاتم
تاریخ دفاع : ۱۴۰۴
چکیده: حفاری در مخازن ژئوترمال، به‌عنوان یکی از مراحل حیاتی و پرهزینه در توسعه منابع انرژی تجدیدپذیر، با چالش‌های فنی، اقتصادی و زیست‌محیطی متعددی مواجه است. شرایط خشن زیرسطحی شامل دماهای بسیار بالا (تا۳۵۰ درجه سانتی‌گراد)، فشارهای شدید، حضور گازهای خورنده و ساختارهای زمین‌شناسی ناهمگن، منجر به تخریب زودهنگام تجهیزات، ناپایداری دیواره چاه، تغییر خواص سیالات حفاری و افزایش هزینه‌های عملیاتی می‌شود. این پژوهش با هدف ارزیابی جامع مشکلات حفاری در این مخازن و ارائه راهکارهای علمی و عملی برای بهینه‌سازی فرآیند، طراحی شده است. روش تحقیق ترکیبی و مبتنی بر تحلیل داده‌های میدانی، آزمایش‌های آزمایشگاهی و مدل‌سازی‌های عددی است. با توجه به محدودیت دسترسی به داده‌های واقعی، در این مطالعه از داده‌های مصنوعی شبیه‌سازی‌شده بر اساس یک مقاله مرجع معتبر استفاده شد. پنج الگوریتم یادگیری ماشین شامل رگرسیون خطی، درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان (SVR) و گرادیان بوستینگ برای پیش‌بینی نرخ نفوذ حفاری (ROP) مورد ارزیابی قرار گرفتند. نتایج نشان داد که مدل‌های مبتنی بر درخت تصمیم، به‌ویژه جنگل تصادفی و گرادیان بوستینگ، به دلیل توانایی در مدل‌سازی روابط غیرخطی، عملکرد بهتری نسبت به مدل خطی دارند. تحلیل اهمیت ویژگی‌ها نیز تأیید کرد که متغیرهای وزن روی مته (WOB)، گشتاور و فشار دیفرانسیلی بیشترین تأثیر را بر نرخ نفوذ دارند. این یافته‌ها حاکی از آن است که پیاده‌سازی سیستم‌های هوشمند مبتنی بر یادگیری ماشین می‌تواند به پیش‌بینی دقیق‌تر مشکلات، کاهش ریسک‌های عملیاتی و در نهایت کاهش هزینه‌های حفاری کمک شایانی کند و گامی مؤثر در جهت توسعه پایدار انرژی ژئوترمال محسوب می‌گردد.
واژگان کلیدی: حفاری ژئوترمال
نرخ نفوذ حفاری (ROP)
یادگیری ماشین
جنگل تصادفی
بهینه‌سازی حفاری
مخزن ژئوترمال
هوش مصنوعی
مدیریت ریسک
Register Number Part3 Version Volume Part Part2 Reference Call Number lended Date Back Description
284925 1
Copyright 2026 by Payam Hannan co ltd. PayamLib.com