17655

17655

ساخت مدل‌هاي داده محور براي بررسي اثر عوامل فعال سطحي مختلف بر ضريب بازيافت عمليات سيلاب زني شيميايي

كارشناسي ارشد

مخازن هيدروكربوري

اسفند 1395

دكتر شاهرخ شاه‌حسيني - دكتر محمدامين ثباتي

دكتر مهدي عصاره

شيمي، نفت و گاز

مواد فعال سطحي (سورفكتانت) به عنوان مهم‌ترين تركيبات شيميايي در فرايند ازدياد برداشت شيميايي، مي‏‏توانند با كاهش كشش بين سطحي ميان محلول آبي تزريقي و نفت مخزن، ضمن تغيير ترشوندگي محيط متخلخل، مقادير قابل‌توجهي از نفت باقي‌مانده در مخزن را كه به‌صورت پراكنده درون حفره‌ها و گلوگاه‌ها به دام افتاده‏اند، آزاد كنند و به سمت چاه توليدي هدايت نمايند. در طي سيلاب زني با سورفكتانت‌، مقاديري از اين ماده در عبور از فضاي متخلخل، بر روي سنگ مخزن جذب مي‏‏شود. با توجه به نقشي كه سورفكتانت‌ها در ازدياد برداشت نفت دارند، لازم است روش‏هايي براي پيش‌بيني عملكرد آن‌ها در اين فرايند ارائه شود. در پروژه‌ي حاضر، مجموعه‌اي از پنج مدل‌ رياضي داده‌محور شامل يك رابطه براي تخمين‏‏ كشش بين سطحي سيستم آب‌شور/ نفت خام، يك رابطه براي تخمين‏‏ كشش بين سطحي سيستم آب‌شور/ نفت خام/ سورفكتانت غيريوني، دو رابطه براي تخمين‏‏ كشش بين سطحي سيستم آب‌شور/ نفت خام/ سورفكتانت آنيوني و يك رابطه براي تخمين‏‏ غلظت تعادلي باقي مانده در فرايند جذب سورفكتانت روي سنگ مخزن توليد شده‌اند. در توليد اين روابط، براي ايجاد همبستگي ميان متغيرهاي مستقل و تابع هدف، از برنامه نويسي ژنتيك، به عنوان يكي از قوي‌ترين ابزارهاي مدل‌سازي، بهره گرفته شده و همچنين در تعدادي از اين مدل‌ها، براي بيان تأثير ساختار مولكولي سورفكتانت‌ها از روش QSPR استفاده شده است. كاربرد اين روابط در شبيه‌سازهاي مخزن مي‏‏تواند پيش‌بيني‌هاي مطلوبي براي ضريب بازيافت فرايند ازدياد برداشت شيميايي با سورفكتانت‌ها و نيز ساير عوامل وابسته به كشش بين سطحي و جذب اين مواد در مخزن ارائه نمايد. مجذور ضريب همبستگي (R2) روابط ايجاد شده به ترتيب برابر 0.9745، 0.9683، 0.946، 0.9387 و 0.9874 و همچنين جذر ميانگين مربعات خطا (RMSD) براي اين روابط، به ترتيب برابر با 1.861 mN/m و mN/m 2.1201 و mN/m 3.4439 و mN/m 3.3261 و mmol/L 0.5624 است.

1396/04/24

1/1/1900 12:00:00 AM

The surface active agents (surfactants) as the most important chemical compounds in chemical EOR process, can release significant amounts of residual oil trapped in porous media as well as changing the wettability of reservoir rock by reducing the interfacial tension (IFT) between injected water and reservoir oil. During surfactant passing through the porous space, some amounts of this compound absorb on reservoir rock. Due to the role of surfactants in enhanced oil recovery, it is necessary to provide methods to predict their performances in this process. In this study, a seri of five data-based mathematical models including a model for IFT of brine/ crude oil system, a model for IFT of brine/ crude oil/ non-ionic surfactant system, two models for IFT of brine/ crude oil/ anionic surfactant system and a model for equilibrium adsorption concentration of surfactants on rock have been produced. In developing these models, QSPR method was used to express the effects of surfactant molecular structure on objective functions and genetic programming (GP), as one of the most powerful modeling tools, has been used to correlate between independent variables and the objective function. Applications of these models in reservoir simulators can provide appropriate predictions for recovery factor of surfactant flooding as well as other factors and parameters associated with interfacial tension and surfactant absorption in the reservoir. The correlation coefficients (R2) of the new developed models are 0.9745, 0.9683, 0.946, 0.9387 and 0.9874, respectively and root-mean-squaire deviations (RMSD) of these models are 1.861 mN/m, 2.1201 mN/m, 3.4439 mN/m, 3.3261 mN/m and 0.5624 mmol/L, respectively.