{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TN600",
        "title": "پیش بینی و جلوگیری از مشکل گیر رشته حفاری با استفاده از شبکه عصبی و سری های زمانی",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1395",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "TN600",
        "title": "پیش بینی و جلوگیری از مشکل گیر رشته حفاری با استفاده از شبکه عصبی و سری های زمانی",
        "degree": null,
        "faculty": "مهندسی معدن، نفت و ژئوفیزیک",
        "year": 1395,
        "authors": [
            {
                "name": "سجاد اسکندریان",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "بهزاد تخم چی",
                "role": "استاد راهنما"
            },
            {
                "name": "وامق رسولی",
                "role": "استاد راهنما"
            }
        ],
        "keywords": [
            "گیر رشته ی حفاری",
            "شبکه عصبی پرسپترون چند لایه",
            "سری های زمانی",
            "الگوریتم K نزدیک ترین همسایه",
            "ماشین بردار پشتیبان"
        ],
        "abstract": "گیر رشته ی حفاری، یکی از مشکلات رایج در صنعت حفر چاه های نفت و گاز می باشد. وقوع این پدیده می تواند منجر به بروز مشکلات عدیده ای، از اتلاف وقت و هزینه تا از دست رفتن چاه، شود. در این پژوهش سعی گردید تا با ساخت مدلی، وقوع گیر رشته ی حفاری پیش بینی شود. برای ساخت این مدل از پارامتر های عملیات و سیال حفاری، مربوط به حفر چاه های یکی از میادین عظیم جنوب غربی ایران، استفاده شد. از 973 مجموعه داده، که هر یک شامل پارامتر های مختلف عملیات و سیال حفاری است، 126 مورد مربوط به داده های وقوع گیر رشته ی حفاری و مابقی مربوط به داده های عدم وقوع گیر می-باشند. در این پایان نامه ابتدا داده ها توسط الگوریتم های دسته بندی مانند الگوریتم K نزدیک ترین همسایه و ماشین بردار پشتیبان، بر اساس الگو های گیر و عدم گیر دسته بندی شدند. الگوریتم K نزدیک ترین همسایه 93.6 درصد و ماشین بردار پشتیبان 97 درصد در شناسایی دسته های گیر و عدم گیر موفق بودند. سپس توسط شبکه عصبی پرسپترون چند لایه و سری های زمانی تحت شبکه عصبی، وقوع گیر رشته ی حفاری شناسایی و پیش بینی گردید. از سری زمانی به عنوان یکی از روش های دینامیکی جهت پیش بینی گیر رشته ی حفاری بر اساس داده های روزهای پیشین استفاده شد. شبکه عصبی پرسپترون چند لایه 94.9درصد و سری زمانی 94.2 درصد، گیر و عدم گیر را برای داده های آزمون به درستی پیش بینی نمودند. با اطلاع از احتمال وقوع پدیده ی گیر رشته ی حفاری، امکان جلوگیری از آن به وسیله ی تغییر پارامتر های مؤثر فراهم خواهد شد.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_TN600.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}