ارزیابی آلودگی فلزات سنگین و مواد آلی کنده ها و گل حفاری با استفاده از تکنیک الگوریتم رگرسیون یادگیری حدی هوش مصنوعی در یکی از میادین نفتی جنوب ایران

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.