22741

ارائه مدل پوياي تحليل پوششي داده ها با درنظر گرفتن اثر يادگيري: كاربرد در حفاري چاه هاي نفت و گاز

دكتري

مهندسي صنايع

1393

1399/7/19

دكتر غلامرضا جلالي نائيني

دكتر احمد ماكويي

صنايع

دل پوياي تحليل پوششي داده ها (Dynamic DEA) كارآيي نسبي مجموعه اي از واحدهاي تصميم گيرنده را در دوره هاي زماني چندگانه اندازه گيري مي كند. از طرفي، بهبود كارآيي در طول زمان ميتواند با استفاده از مفهوم منحني هاي يادگيري مورد بررسي قرار گيرد. از اين نظر، اندازه گيري نرخ يادگيري واحدهاي تصميم‌گيرنده و همچنين كل مرز كارآ مفيد خواهد بود. با اين وجود، هيچ روشي براي فراهم ساختن داده‌هاي كارآيي مورد نياز جهت محاسبه اين نرخ هاي يادگيري در يك سيستم پويا وجود ندارد. در اين تحقيق، به منظور اندازه گيري نرخ هاي يادگيري هر يك از واحدها و كل مرز كارآ، يك مدل جديد ارائه مي‌شود كه با ساختار پوياي تحليل پوششي داده ها، مقادير كارآيي هر دوره را برحسب مرز كارآي ساير دوره‌ها محاسبه مي‌كند. به منظور بيان واضح روش مدلسازي، قبل از ايجاد مدل پوياي نهايي در فرم هاي اوليه و دوگان، ابتدا يك مدل غيرپوياي چند-دوره اي ارائه مي شود. در مسير توسعه مدل پويا، يك گزاره و دو قضيه براي صحه‌گذاري روش مدلسازي و اثبات شدني بودن و كراندار بودن مدل طرح مي شود. اگرچه فرم لگاريتمي-خطي منحني يادگيري و روش حداقل مربعات در محاسبه نرخ هاي يادگيري مورد استفاده قرار مي‌گيرد ولي در اين تحقيق، با ايده گرفتن از روش هاي بهينه سازي چندهدفه، روش فاصله ازدحامي براي دستيابي به يك عدد براي نرخ يادگيري كل مرز كارا بكار گرفته مي شود. در ادامه، به منظور نمايش قابليت هاي مدل در اندازه گيري نرخ هاي يادگيري واحدها و مرز كارا، يك مثال عددي ارائه مي شود. مقايسه نتايج اجراي مدل با نتايج مدل مرسوم DEA پويا و شاخص بهره‌وري مالم كوئست، امكان تحليل شباهت ها و تفاوت ها را فراهم مي كند. مثال عددي به گونه اي طراحي شده است كه بتوان از طريق ترسيم نمودار دوبعدي، فرآيند دستيابي به نتايج را بصورت شفاف بيان كرد. در نهايت، قابليت هاي اين مدل از طريق يك مطالعه موردي مرتبط با 20 چاه در ميدان گازي پارس جنوبي كه اولين كاربرد يك مدل پوياي تحليل پوششي داده ها در ارزيابي عملكرد حفاري چاه هاي نفت و گاز است، مورد بررسي قرار مي گيرد. بينش‌هاي مديريتي مستخرج از اين مطالعه موردي به شركت‌هاي حوزه نفت و گاز كمك مي كند بتوانند راهكارهاي بدست آمده از اين رساله را در سازمان هاي خود مورد استفاده قرار دهند.

1399/08/09

Developing a dynamic data envelopment analysis (DEA) model by incorporating learning effect: An application to oil and gas wells drilling

10/10/2020 12:00:00 AM

Dynamic data envelopment analysis (dynamic DEA) measures the relative efficiency of a set of decision-making units (DMUs) in multiple time periods. Efficiency improvement through time could be measured by learning curve concept, which provides a mathematical representation of the learning process when a task repetition occurs. It is insightful to measure the learning rates of DMUs individually as well as the whole efficient frontier. However, there is no method to provide the efficiency data required for calculating such learning rates in dynamic systems. In order to measure the learning rates of both efficient frontier and DMUs in a single DEA optimization run for each DMU, this paper proposes a new dynamic DEA model that calculates the efficiency of each period based on the frontier of every other period. To clarify the modeling approach, a multi-period non-dynamic model is presented before constructing the final dynamic model in primal and dual forms. The capabilities of the proposed model are then explored by a case study of 20 wells in the South Pars gas field, which is the first application of dynamic DEA in the oil and gas wells drilling performance analysis.

تحليل پوششي داده ها , سيستم پويا , نرخ يادگيري , مرز كارآ , نفت و گاز

Data envelopment analysis , Dynamic DEA , Learning rate , Efficient frontier , Oil and gas