PSO-BP sinir ağı ile sondaj parametrelerine dayalı sıvı kaybı tahmin modeli

Çamurun kuyuda kalmasının önemi

Şirketler petrol ve gaz için derin sondaj yaptıklarında kuyuyu kontrol altında tutmak için ağır sondaj çamuruna güveniyorlar. Bu çamur kayaçtaki çatlaklara aniden kaçarsa operasyonlar durmak zorunda kalır, maliyetler yükselir ve kuyu patlaması gibi tehlikeli olayların olasılığı artar. Bu makale, gerçek sondaj verilerinden öğrenen ve küçük sorunların ciddi kazalara dönüşmeden önce mühendislere uyarı verebilen akıllı bir bilgisayar modeli kullanarak bu kayıpları erken saptamanın yeni bir yolunu anlatıyor.

Kuyunun “içmesi” ne anlama gelir

Sondaj sırasında pompalar çamuru sondaj borusu içinde aşağı gönderir ve boru ile kayaç arasındaki boşluktan yüzeye geri taşır; böylece kesintileri uzaklaştırır ve yeraltı basınçlarını dengeler. Sıvı kaybı, bu çamurun yüzeye geri dönmek yerine çevre kayaç içine sızması olduğunda meydana gelir. Doğal çatlaklar ve gözeneklerden sızabilir veya çamur çok ağırsa yeni çatlaklar açabilir. Her iki durumda da yüzey ekibi daha az çamurun geri geldiğini görür ve kuyu hızla kararsız hale gelerek kuyu çökmelerine, borunun saplanmasına veya formasyon sıvılarının deliğe doğru hızla akmasıyla oluşan ‘‘kick’’ (basınç sürprizi) gibi olaylara yol açabilir.

Çamurun hayati belirtilerini okumak

Saha koşullarında her birkaç saniyede birçok ölçüm kaydedilir: yüzey tanklarındaki çamur miktarı, kuyuda giriş ve çıkış akış hızları, çamuru kuyuya itmek için gereken basınç, kesme hızı ve sondaj mili üzerindeki yük gibi. Yazarlar tek bir ölçümün sorunu güvenilir şekilde tespit etmeye yetmediğini; bunun yerine birden çok sinyal arasındaki kalıpların önemli olduğunu gösteriyor. İstatistik ve sondaj uzmanlarının görüşlerini kullanarak uzun parametre listesini, kayıp olaylarını en iyi yansıtan küçük bir kümeye indiriyorlar: toplam çukur hacmi, standpipe basıncı, giriş ile çıkış akışı arasındaki fark, top drive (veya hook) yükü, ilerleme hızı, çamur yoğunluğu ve kuyu yönelimi. Birlikte bunlar kuyunun sağlığı için birer hayati belirti gibi davranıyor.

Sorunu tespit etmek için dijital bir sürü eğitmek

Ekip uyarı sistemini, veride gizli karmaşık ilişkileri öğrenebilen esnek bir model olan yapay bir sinir ağı etrafında kuruyor. Ancak tek başına bu tür ağlar yavaş öğrenebilir ve alt‑optimal çözümlerde takılabilir. Bunu aşmak için araştırmacılar ağı, yiyecek arayan kuş sürülerinden ilham alan bir algoritma olan parçacık sürü optimizasyonu ile eşleştiriyor. Sürüdeki her “parçacık” sinir ağının bir olası ayar kümesini temsil ediyor. Her bir ayar setinin geçmiş sıvı kayıp olaylarını ne kadar iyi tahmin ettiğini karşılaştırarak sürü kolektif olarak daha iyi çözümlere doğru hareket ediyor. Bu şekilde parçacık sürü optimizasyonu, nihai eğitimin öncesinde sinir ağının iç bağlantılarını ayarlamak için kullanılıyor ve eğitimi hem daha hızlı hem de daha kararlı hale getiriyor.

Gürültülü saha verilerinden erken uyarılara

Gerçek sondaj verileri eksik değerler, sensör gürültüsü ve zaman zaman hatalı okumalarla dağınık olur. Yazarlar önce batı Çin’deki birkaç kuyudan aldıkları veri setini temizliyor, aykırı değerleri çıkarıyor, tanımlayıcı girdileri kodluyor ve hiçbir tek değişkenin baskın olmaması için tüm sayıları ortak bir aralığa ölçeklendiriyorlar. Ardından her parametrenin kayıp olaylarıyla ne kadar ilişkili olduğunu analiz ediyor ve yalnızca ayrıştığı bilgi ekleyenleri tutuyorlar. Hibrit modeli onlarca kaydedilmiş çamur‑kayıp ve normal aralığı üzerinde eğittikten sonra yeni kuyu bölümlerinde test ediyorlar. Model, ana parametrelerin yükseliş ve düşüşlerini izlemekle kalmıyor, aynı zamanda bu kalıpları kaybın olası olup olmadığına dair net bir tahmine çeviriyor.

Akıllı gözcünün performansı nasıl

Bu yeni yaklaşımın sahada kullanılmaya değer olup olmadığını değerlendirmek için yazarlar onu birkaç alternatife karşı karşılaştırıyor: yalın bir sinir ağı ve iki başka optimizasyon tekniğiyle ayarlanmış versiyonlar. Hata için standart ölçütler kullanıyor ve parçacık‑sürüyle ayarlanmış ağın kayıp devridaimleri diğerlerine göre daha doğru tahmin ettiğini, gerçek saha gözlemleriyle çok daha küçük sapmalar gösterdiğini ortaya koyuyorlar. Test kuyularında model, çamurun kaybedileceği zonları doğru şekilde belirliyor ve problemin boyutunu tahmin ederek sondaj hâlâ devam ederken faydalı bir ön uyarı sağlıyor.

Daha güvenli ve daha ucuz sondaj için ne anlama geliyor

Basitçe ifade etmek gerekirse çalışma, pratik sondaj bilgisini gelişmiş örüntü tanıma araçlarıyla birleştirmenin kuyunun kayaç içine ‘‘sızıntı’’ yaptığı durumlar için güvenilir bir erken uyarı sistemi yaratabileceğini gösteriyor. Bir avuç dikkatle seçilmiş sinyali izleyip bir dijital sürünün tahmin motorunu ince ayar yapmasına izin vererek yöntem yüksek doğruluğa ulaşıyor ve kaçırılan alarmlardan kaçınıyor. Gerçek zamanlı izleme sistemlerine entegre edilirse bu yaklaşım, sondaj ekibinin daha şiddetli kayıplar başlamadan önce çamur özelliklerini veya işletme koşullarını ayarlayarak daha hızlı tepki vermesine yardımcı olabilir — riski azaltır, zaman ve maliyetten tasarruf sağlar ve benzer güvenlik araçları için diğer yer altı ve yapısal mühendislik projelerine bir şablon sunar.

Atıf: Wang, Z., Yang, M., Du, P. et al. Prediction model of lost circulation based on drilling parameters with PSO-BP neural network. Sci Rep 16, 13976 (2026). https://doi.org/10.1038/s41598-026-44613-2

Anahtar kelimeler: sıvı kaybı, sondaj güvenliği, sinir ağı, parçacık sürü optimizasyonu, erken uyarı