20430

۲۰۴۳۰

تخمين تراوايي نسبي مخازن كربناته ايران با بهره‌گيري از روش هاي هوشمند

كارشناسي ارشد

كنترل

۹۴-۹۷

۱۳۹۷/۱۰/۲۴

دكتر محمد فرخي

برق

چكيده ارزيابي پتروفيزيكي به‌منظور محاسبه پارامترهاي مخزني از جمله تراوايي نسبي يكي از اصول مهم و جدايي‌ناپذير در مديريت مخازن نفت و گاز مي‌باشد. تخمين اين پارامتر پتروفيزيكي، موضوعي است كه اخيراً با استفاده از روش‌هاي نويني همچون شبكه‌هاي عصبي مصنوعي، سيستم‌هاي فازي و روش‌هاي تركيبي مورد بحث و بررسي قرار گرفته‌است. اين سيستم‌هاي هوشمند با در دست‌داشتن داده‌هاي موجود و با كمينه كردن عدم قطعيت‌هاي ناشي از ابهام و كمبود داده‌ها، فرآيند تخمين را عملي مي‌سازند. اين تكنيك‌ها قادرند مسائل مبهم و پيچيده‌اي را كه با روش‌هاي معمول، زمان‌بر و پر هزينه مي‌باشند، حل نمايند. در اين پايان¬نامه از داده‌هاي آزمايشگاهي مخازن كربناته ايران جهت تخمين تراوايي نسبي با استفاده از مدل‌هاي هوشمند بهره‌گرفته شده‌است. پنج روش شامل مدل رگرسيون تجربي، شبكه عصبي پرسپترون چند لايه، شبكه عصبي پايه شعاعي، سيستم استنتاج فازي-عصبي و رگرسيون بردار پشتيبان جهت تخمين تراوايي نسبي نفت و آب مورد ارزيابي قرار گرفته‌اند. همچنين با توجه به اين‌كه داده‌هاي در دسترس از مخازن كربناته اخذ شده‌اند، جهت افزايش دقت مدل‌ها، كلاسه‌بندي داده‌ها براساس واحدهاي جرياني به‌عنوان راه حلي مناسب جهت غلبه بر مشكلات ناهمگوني مخازن در تخمين تراوايي نسبي مورد بررسي قرار گرفته‌است. در اين پايان‌نامه در مجموع (1984 داده) 165 نمودار تراوايي نسبي نفت و آب، مورد استفاده قرار گرفته‌است كه در نهايت پس از اعمال كلاسهبندي، داده‌هاي جمع‌آوري شده به 3 گروه تقسيم مي‌گردند. مقايسه نتايج بهدست آمده از اين تحقيق نشان مي‌دهد كه تقسيم‌بندي داده‌ها به واحدهاي جرياني سبب بهبود عملكرد اين روش‌ها در تخمين تراوايي نسبي در حد قابل قبولي شده‌است. همچنين با تحليل نتايج روش‌هاي مذكور مورد بررسي، رگرسيون بردار پشتيبان جهت تخمين تراوايي نسبي آب و شبكه پرسپترون چند لايه جهت تخمين تراوايي نسبي نفت داراي بهترين عملكرد مي‌باشند. واژه‌هاي كليدي: تراوايي نسبي، مخازن كربناته، شبكه‌هاي عصبي، سيستم‌هاي استنتاج فازي-عصبي، رگرسيون بردار پشتيبان.

1398/02/16

Estimation of relative permeability of Iranian carbonate reservoirs using intelligent methods

5/6/2019 12:00:00 AM

Abstract: Understanding the behavior and properties of reservoir rock and fluids is an important and integral part of managing oil and gas reservoirs. Due to the static and dynamic complexity and uncertainty of reservoirs, this understanding is not simply achieved and requires co-operation and of a group of expertise along with the petroleum engineers. Evaluation of the petrophysical parameters plays an important role for calculation of reservoir parameters such as relative permeability. In this thesis, the laboratory data of the Iranian carbonate reservoirs has been used to predict the relative permeability using smart models. Five methods including the experimental regression model, multilayer perceptron neural network, radial basis neural network, fuzzy Sugeno system and support vector regression were used to predict the relative permeability of oil and water. Moreover, in order to increase the accuracy of the models and due to the obtainability of available data from carbonate reservoirs, data classification has been considered based on the flow units as an appropriate solution to overcome the heterogeneity of reservoirs. In this thesis, 165 curves (1984 data) is used to estimate the oil-water relative permeability. Finally, after classifying the available cores based on the reservoir quality index, the collected data was divided into 3 groups. Comparison of the results showed that the classification of data into flow units improves the performance of these methods drastically. The results shows that the support vector regression is the best in prediction of the relative permeability of oil and water among the others. Keywords: Relative Permeability, Carbonate Reservoirs, Neural Networks, Fuzzy Sugeno Inference Systems, Support Vector Regression.