22266

اندازه‌گيري دبي جريان بر مبناي داده‌هاي دما، فشار و صوتي با استفاده از روش‌هاي هوش مصنوعي به‌منظور بهينه‌سازي توليد از مخزن

كارشناسي ارشد

مهندسي نفت - مخازن هيدروكربوري

1399/2/8

دكتر محمدتقي صادقي

مهندسي شيمي، نفت و گاز

يكي از مهم‌ترين پارامترها براي بهينه‌سازي و مديريت مخزن، اندازه‌گيري دبي جريان سيالات توليدي از هر كدام از چاه‌هاي‌ مخزن مي‌باشد. روش‌هاي محاسباتي مرسومي كه براي اندازه‌گيري ميزان سيالات توليدي چاه‌ها مورد استفاده قرار مي‌گيرند مانند محاسبات تخصيص، اريفيس و چوك، از دقت مناسبي برخوردار نيستند و داراي عدم قطعيت مي‌باشند. همچنين اين روش‌ها دبي را به صورت برخط اندازه‌گيري نمي‌كنند و در اكثر مواقع دبي محاسبه شده با استفاده از آن‌ها به صورت روزانه اعلام مي‌شود. از طرفي قرار دادن يك دبي‌سنج چندفازي براي هر چاه به منظور رفع اين مشكلات نيز بسيار پرهزينه مي‌باشد. در اين پايان‌نامه روشي ارائه شده است كه مي‌تواند با استفاده از داده‌هاي دما، فشار و صوت به همراه مدل‌هاي مبتني بر هوش مصنوعي، دبي را اندازه‌گيري كند. ازآنجايي‌كه سيگنال‌هاي صوتي ناشي از جريان سيالات توليدي از چاه‌ها در شرايط عملياتي در دسترس نيستند، براي جمع‌آوري داده‌هاي مورد نياز از يك سري تجهيزات آزمايشگاهي استفاده شده‌است. اين تجهيزات تا حدود زيادي شرايط توليد از مخزن را شبيه‌سازي مي‌كنند. نتايج حاصل از مدل‌هاي هوشمند توسعه داده شده نشان مي‌دهد كه اين مدل‌ها مي‌توانند دبي جريان آب درون لوله را با دقتي در حدود 99/15 درصد، دبي جريان گازوييل درون لوله را با دقتي در حدود 99/09 درصد و دبي جريان هوا درون لوله را با دقتي نزديك به 99/67 درصد نسبت به دبي‌سنج مبنا اندازه‌گيري كنند. از طرفي، اين مدل‌ها سرعت پاسخگويي مناسبي دارند كه باعث مي‌شود بتوان آن‌ها را به صورت برخط براي اندازه‌گيري دبي جريان به‌كار برد. همچنين بررسي‌هاي بيشتر نشان مي‌دهند كه حضور اريفيس يا ونتوري در لوله باعث مي‌شود كه مدل‌هاي هوشمند بتوانند با دقت و سرعت بالاتري دبي را اندازه‌گيري كنند. بررسي نتايج به صورت كلي نشان مي‌دهد كه روشي كه در اين مطالعه براي اندازه‌گيري دبي ارايه شده‌است يك روش سريع، ارزان‌قيمت، با دقت مناسب، انعطاف‌پذير و مقاوم مي‌باشد.

1399/06/17

Flow Rate Measurement Based on Temperature, Pressure and Acoustic Data Using Artificial Intelligence Methods to Optimize Production from Reservoir

4/28/2021 12:00:00 AM

Measuring the flow rate of the produced fluids from each well is one of the most important parameters for reservoir optimization and management. Conventional methods for measuring the flow rate of produced fluids from wells such as allocation, orifice and choke calculations are not accurate and have uncertainties. These methods also do not measure the flow rates in real-time, and the calculated flow rates using them are reported daily. On the other hand, installing a multiphase flow meter for each well is very costly. This thesis presents a method that can measure the flow rate using temperature, pressure and sound data with a multilayer perceptron neural network. Since the sound signals generated by the fluid stream are not available in operational conditions, experimental setups have been used to collect the required data. These experimental setups are designed to simulate the conditions of fluid production from the reservoir. The results of the developed neural network models show that these models can measure the flow rate of water flowing through the pipe with an accuracy of about 99.15%, flow rate of diesel flowing through the pipe with a certainty 99.09% and flow rate of air flowing through the pipe with an accuracy 99.67% compared to the flow meters used in experimental setups. On the other hand, these models have good response speed, which enables them to be used in real-time to measure the flow rate. Further studies show that the presence of orifice or venturi in the pipe enables neural network models to measure the flow rate more accurately and faster. Overall, the results show that the method presented in this study for measuring flow rate is a fast, inexpensive, accurate, flexible and robust method.