22325

مدل سازي داده محور جريان سيالات چندفازي از يك ميدان نفتي

كارشناسي ارشد

مدل‌سازي، شبيه‌سازي و كنترل فرايندها

1396

1399/02/24

دكتر محمدتقي صادقي

مهندسي شيمي، نفت و گاز

اندازه گيري جريان هاي چندفازي پارامتر بسيار مهمي در صنعت نفت به شمار مي‌رود. از اين‌رو روش‌هاي مختلفي براي تعيين دبي و اندازه گيري جريان سيالات ارائه شده است كه از آن ميان مي‌توان به روش‌هاي آزمايشگاهي و روابط تجربي اشاره نمود. با توجه به هزينه بالاي عملياتي اينگونه روش‌ها همواره محققين به دنبال روش‌هايي با هزينه عملياتي پايين‌تر و دقت محاسباتي قابل قبولي بوده‌اند. امروزه با توجه به پيشرفت نرمافزارهاي محاسباتي و ابزارهاي هوشمند، از اين ابزار براي مدل‌سازي سيستم‌هاي پيچيده مهندسي استفاده مي‌شود. بنابراين مي‌توان براي پيش‌بيني اندازه گيري جريان هاي چندفازي نيز از آنها بهره جست. در اين پايان نامه سعي گرديد با مطالعه و بررسي مدل هاي هوشمند و شبكه هاي يادگيري عميق كه به تازگي مطرح شده اند به عنوان ابزاري براي پيش بيني اندازه گيري جريان هاي چندفازي در صنعت نفت بهره گرفته شود. داده هاي مورد استفاده در اين پايان نامه شامل دو دسته داده كه دسته اول داده هاي مربوط به يكي از ميادين نفتي ايران و دسته دوم داده هاي مربوط به يكي از ميادين نفتي استراليا مي باشد. بعد از جمع آوري داده ها، ابتدا پيش پردازشي شامل نرمال سازي داده ها و همچنين حذف داده هاي پرت بر روي آنها انجام مي گيرد و سپس به صورت تصادفي، در تمامي مدل هاي توسعه يافته 70 درصد داده ها به عنوان داده هاي آموزش انتخاب شده و در فرآيند توسعه مدل مورد استفاده قرار گرفته و مابقي براي ارزيابي مدل ها، تحت عنوان داده هاي آزمايش استفاده مي شوند. براي توسعه تمامي مدل ها، پارامترهاي متعددي مورد بررسي قرار گرفته و جهت بهينه سازي برخي پارامترهاي مدل از روش هاي بهينه سازي گراديان انطباقي نظير الگوريتم آدام كه به تازگي در شبكه هاي عميق مورد استفاده قرار مي گيرد استفاده مي شود و مقايسه اي بين آنها انجام مي شود. در نهايت بر روي داده هاي ميدان نفتي ايران يك مدل اصلاحي عميق ارائه مي گردد كه دبي كل جريان سيالات 8 چاه نفتي با دقت بالايي تخمين زده مي شود. همچنين در داده هاي سري دوم مدل شبكه عصبي عميقي توسعه داده شد كه دبي نفت، آب و گاز 4 چاه نفتي به تفكيك با دقت بالايي تخمين زده مي شود.

1399/05/12

Multi Phase Fluid Flow Data Modeling of an Oil Field

5/14/2021 12:00:00 AM

Measuring multi phase flow is a very important parameter in the oil industry. Therefore, various methods have been proposed to determine the flow and measure the flow of fluids, including laboratory methods and experimental approaches. Due to the high operating costs of such methods, researchers have always been looking for methods with lower operating costs and acceptable computational accuracy. Nowadays, because of the development of computing software and smart tools, this tool is used to model complex engineering systems. Furthermore, these can also be used to predict the measurement of multi-phase currents. In this work, we tried to use smart models and deep learning networks that have been proposed recently as a tool to predict the measurement of multiphase flows in the oil industry. The used data include two categories of data, the first and the second, related to one of iran's oil fields and one of the australian oil fields respectively. After collecting the data, first the preprocessing involves normalizing the data and also removing the outlier data on them, and then randomly, in all developed models, 70% of the data is selected as the training data and they are used in the model development process. The rest are used to evaluate the models as test data. To develop all the models, several parameters have been studied. In order to optimize some of the model parameters, adaptive gradient optimization methods such as adam's algorithm, which has recently been used in deep networks, have been used and a comparison has been made between them. Finally, given the data of iran's oil field, a deep correction model is presented, which estimates the total flow of 8 oil wells with high accuracy. Also in the second series of data, a deep neural network model was developed in which the oil, water, and gas flows of four oil wells were estimated separately with high accuracy.