21879

21879

پيش‌بيني حداقل فشار امتزاجي (MMP) در تزريق گاز به مخازن نفتي با روش‌هاي هوشمند داده محور

كارشناسي ارشد

طراحي فرايند

1395

1398/6/31

دكتر محمد تقي صادقي

مهندسي شيمي، نفت و گاز

فرآيندهاي تزريق دي‌اكسيدكربن از جمله روش‌هاي مؤثر در ازدياد برداشت نفت است. يك پارامتر كليدي در طراحي پروژه تزريق دي‌اكسيدكربن حداقل فشارامتزاجي است. از نقطه نظر تجربي، به طور معمول آزمايش لوله قلمي حداقل فشارامتزاجي را تعيين مي‌كند. از آنجا كه اين آزمايش بسيار پرهزينه و زمان‌بر است، معمولاً روش‌هاي سريع و قوي ديگر براي تعيين حداقل فشارامتزاجي مورد تقاضا است. در اين تحقيق دو مدل جديد براي پيش‌بيني حداقل فشارامتزاجي نفت و دي‌اكسيد‌كربن خالص و ناخالص و هم‌چنين اثر ناخالصي‌ها بر حداقل فشارامتزاجي ارائه شده است. از شبكه عصبي و رگرسيون ماشين بردار پشتيبان به منظور طراحي شبكه براي پيش‌بيني حداقل فشارامتزاجي استفاده شده است. اين شبكه‌ها توسط داده‌هاي معتبر شامل متغيرهاي مستقل آموزش داده شده‌اند. دقت متوسط مقادير پيش‌بيني شده يراي شبكه عصبي برحسب مقدار ضريب تعيين (R^2) و مقدار ميانگين خطاي مربع، 0.9863 و 0.0018 مي‌باشد. اين مقادير براي رگرسيون ماشين بردار پشتيبان به ترتيب 0.9870و 0.0017 مي‌باشد. علاوه بر اين، مدل‌هاي جديد مي‌توانند براي پيش‌بيني حداقل فشارامتزاجي نفت-دي‌اكسيد‌كربن ناخالص در غلظت‌هاي بالاي اجزاي غير از دي‌اكسيد‌كربن (تا 100% براي متان و 50% براي سولفيد هيدروژن) مورد استفاده قرار گيرند. واژه‌هاي كليدي: ازدياد برداشت، حداقل فشار امتزاجي، شبكه عصبي، رگرسيون ماشين بردار پشتيبان

1399/02/06

Predicting Minimum Miscible Pressure (MMP) in Injection of Gas to Oil Reservoirs by Data-Based Intelligent Methods

9/21/2020 12:00:00 AM

CO2 injection processes are among the effective methods for enhanced oil recovery. A key parameter in the design of CO2 injection project is the minimum miscibility pressure (MMP). From an experimental point of view, Slim Tube displacements test routinely determines the MMP. Because such experiments are very expensive and time-consuming, searching for fast and robust methods for determination of MMP is usually requested. The Neural Network (NN) and Support Vector Machine Regression (SVM) were used to design networks for MMP estimation. The Networks Trained by trusted data including independent variables. The validity of these new models were successfully approved by comparing the models results to the pure and impure experimental Slim-Tube CO2-oil MMP and the calculated results for the common pure and impure CO2-oil MMP correlations. The average accuracy of the predicted values for the neural network in terms of coefficient of determination (R2) and mean square error (MSE) are 0.9863 and 0.0018. These values for the SVM regression are 0.9870 and 0.0017, respectively. In addition, the new models could be used for predicting the impure CO2-oil MMP at higher fractions of non-CO2 components (Up to 100% for methane and 50% for hydrogen sulfide). Keywords: enhanced oil recovery, MMP, Neural Network, SVM, Support Vector Machine Regression