17907

17907

پيش بيني تراوايي نسبي سنگ مخزن با استفاده از مدلهاي داده محور

كارشناسي ارشد

مدلسازي، شبيه سازي و كنترل

شهريور ماه 1396

دكتر محمدتقي صادقي

مهندسي شيمي، نفت و گاز

تراوايي نسبي يكي از خواص ضروري سنگ مخزن بوده كه تقريبا در تمامي محاسبات جريان‌هاي چند فازي در محيط‌هاي متخلخل مورد نياز مي‌باشد. ميزان دقيق تراوايي نسبي به مهندسان مخزن اين امكان را مي‌دهد كه عملكرد مخزن، ميزان بهره‌برداري نهايي و بهبود تكنيك‌هاي ازدياد برداشت را مورد ارزيابي و بررسي قرار دهند. بنابراين به دست آوردن اطلاعات دقيقي از تراوايي نسبي بسيار مهم بوده و همواره در صنعت نفت مورد توجه قرار گرفته است. روش‌هاي آزمايشگاهي متعددي براي تعيين تراوايي نسبي طراحي شده كه اگرچه روش‌هاي دقيقي هستند اما انجام آنها بسيار پرهزينه و زمانبر مي‌باشد. از همين رو روابط تجربي مختلفي جهت تخمين اين پارامتر ارائه شده‌ است كه اكثر اين روابط از دقت كافي برخوردار نبوده و جامعيت مناسبي ندارند. در سال‌هاي اخير با توجه به پيشرفت نرم‌افزارهاي محاسباتي و ابزارهاي هوشمند، از اين ابزار براي مدلسازي سيستم‌هاي پيچيده مهندسي استفاده مي‌شود. به همين منظور در اين پايان‌نامه با بهره‌گيري از ابزارهاي هوشمند از جمله شبكه‌هاي عصبي مصنوعي، رگرسيون بردار پشتيبان و همچنين سيستم‌هاي فازي سعي در تخمين تراوايي نسبي دو فازي در سيستم نفت – آب و نفت – گاز مي‌شود. داده‌هاي مورد استفاده براي توسعه مدل‌ها از مقالات استخراج شده و تعداد داده‌ها براي سيستم نفت – آب 1638 داده بوده كه از 191 مغزه به دست آمده است. همچنين تعداد داده‌ها براي سيستم نفت – گاز 897 داده بوده كه از 92 مغزه به دست آمده‌ است. بعد از جمع‌آوري داده‌ها، ابتدا پيش‌پردازشي شامل يكسان‌سازي محدوده داده‌ها و همچنين حذف داده‌هاي پرت بر روي آنها انجام مي‌گيرد و سپس به صورت تصادفي، 80 درصد داده‌ها به عنوان داده‌هاي آموزش انتخاب شده و در فرآيند توسعه مدل مورد استفاده قرار گرفته و مابقي براي ارزيابي مدل‌ها، تحت عنوان داده‌هاي آزمايش استفاده مي‌شوند. براي توسعه تمامي مدل‌ها، پارامترهاي متعددي مورد بررسي قرار گرفته و جهت بهينه‌سازي برخي پارامترهاي مدل از روش‌هاي بهينه‌سازي كلاسيك و هوشمند مانند الگوريتم ژنتيك بهره گرفته شده است. در نهايت مدلي تركيبي از سه روش هوشمند مذكور جهت تخمين تراوايي نسبي دو فازي ارائه مي‌گردد كه ميزان خطا در اين مدل در مقايسه با روابط تجربي و تك تك روش‌هاي هوشمند به مراتب پايينتر بوده و ضريب رگرسيون و ميانگين مربعات خطا براي سيستم نفت – آب به ترتيب 0.94و 0.005 و براي سيستم نفت – گاز به ترتيب 0.97 و 0.0053 حاصل شده است.

1396/07/19

1/1/1900 12:00:00 AM

Relative permeability is one of the essential properties of the reservoir rock, which is required in almost all calculations of multiphase flows in porous environments. The exact amount of the relative permeability, makes possible to reservoir engineers to eva​luate the performance of the reservoir,the amount of final utilization and the improvement of EOR techniques. Therefore, obtaining accurate information about relative permeability is very important and has always been considered in the oil industry. Several laboratory methods have been designed to determine relative permeabilities. Although these methods are most accurate to determine relative permeability, but doing thier is very costly and time consuming. Consequently, computational methods have always been considered and various experimental relationships have been suggested to estimate this parameter, but most of the which are not sufficiently correct. In recent years due to the development of computational software and intelligent tools, this tool is used to model complex engineering systems. In this thesis, using intelligent tools such as artificial neural networks, support vector regression and fuzzy systems to predict the two phase relative permeability in the oil-water and oil-gas systems. The data used to develop the models collected from the articles and after preprocessing such as integration of data and outlier detection, randomly, 80 percent of the data was selected as training data and 20 percent of the data was selected as testing data and used. For the development of all models, several parameters have been investigated and some of the parameters in the model have been optimized with classical and intelligent methods such as genetic algorithm. Finally, a hybrid model of the three intelligent methods is presented to estimate the two-phase relative permeability. The error rate in this model is lower than that of the experimental and each other intelligent methods,and the regression coefficient obtained 0.94 for the oil-water system and 0.97 for the oil-gas system in the test data