31201

استفاده از روش هاي هوش مصنوعي و داده كاوي به منظور پيشبيني عملكرد توليد نفت و گاز

كارشناسي ارشد

مهندسي نفت

1399

1402/12/26

دكتر حميدرضا جهانگيري

دكتر حميدرضا جهانگيري

مهندسي شيمي نفت گاز

مدلسازي مخزن به عنوان اصل يترين روش برا ي بررس ي عدم قطعيت هاي موجود در خواص مخزني استفاده مي شود. به دليل هزينه ي باال و سرعت پايين ش يه سازي، مدلهاي جايگزين متنوعي براي بازتوليد نتايج با سرعت بيشتر توسعه يافته اند . يك نوع جد يد از اين مدل ها، مدلهاي جايگزين هوشمند هستند كه بر اساس داده هاي ورود ي به مدل، الگوي رفتاري س يستم را ياد مي گيرند . سرعت اجرا ي باال و قابليت به كارگيري پيچيدگي هاي رفتار س يال در فرآيند مدل سازي، از جمله مزاياي مهم مدلهاي جايگزين هوشمند نس ت به ساير مدل ها است. هدف اين پشوهش، بررس ي عملكرد الگوريتم هاي هوش مصنوعي و يادگيري ماش يني در پيشبين ي آينده توليد از سطح ميدان با مدل هاي جايگزين هوشمند است. بد ينمنظور، در ابتدا با استفاده از روش هاي يادگير ي ماش ين و داده كاوي، يك مدل ش كه عص ي بر پايه داده هاي واقعي ميدان نفتي كوپال، براي پيشبيني توليد نفت و گاز در آموزش داده شدهاست. سپس نتايج حاصل از اين مدل با نتايج ش يهسازي توليد نفت و گاز توسط نرم افزار تجار ي اكليپس مقايسه شدهاست. اين روش پيش بيني توليد نفت و گاز در آينده با استفاده از مدل آموزش داده شده بر اساس يادگيري ماش ين، عفوه بر كاهش زمان و هزينه، دقت بهتري نس ت به روش هاي سنت ي ش يه سازي مانند نرم افزار تجاري اكليپس و... دارد.

1403/06/25

Implementation of artificial intelligence and data mining methods to predict oil and gas production performance

1/1/1900 12:00:00 AM

Reservoir modeling is the primary method used to study uncertainties in reservoir properties. However, due to high costs and slow simulation speeds, various alternative models have been developed to reproduce results more quickly. One such type of model is intelligent surrogate models, which learn the system's behavioral patterns based on input data. The high execution speed and the ability to incorporate complex fluid behavior in the modeling process are among the significant advantages of intelligent surrogate models compared to other models. The aim of this research is to investigate the performance of artificial intelligence algorithms and machine learning in predicting future production from the field level using intelligent surrogate models. To achieve this goal, initially, a neural network model based on real data from the Kupal oilfield has been trained using machine learning and data mining techniques to predict oil and gas production. Then, the results obtained from this model have been compared with the results of oil and gas production simulation using commercial software such as Eclipse. This prediction method using a machine learning-trained model not only reduces time and costs but also provides better accuracy compared to traditional simulation methods such as Eclipse software, etc.

هوش مصنوعي , يادگيري ماشين , شبيه سازي , شبكه عصبي , توليد نفت و گاز

Artificial intelligence , Machine learning , Simulation , Neural network , Oil and Gas production

Amirhossein Amin

Dr. Hamidreza Jahangiri