22856

توسعه يك ابزار غربالگري براي ازدياد برداشت از مخازن هيدروكربوري با استفاده از روشهاي هوش مصنوعي

دكتري

مهندسي نفت

1398/8/19

دكتر محمد تقي صادقي

دكتر مهدي عصاره

مهندسي شيمي

هدف اين رساله توسعه يك مدل داده محور هوش مصنوعي بمنظور غربالگري يكپارچه روشهاي ازدياد برداشت مي¬باشد. فرآيند توليد مدل يكپارچه داده محور غربالگري در سه مرحله (يا فاز) انجام مي‌گردد. در مرحله اول اين تحقيق (فاز اول)، يك مدل اوليه غربالگري بر مبناي جدول غربالگري بروز شده و مدل وزن دهي پارامترها بعنوان ورودي توسعه داده شده است. روش استفاده شده در فاز اول براساس ديدگاه تركيبي فازي و ماشين بردار پشتيبان مي‌باشد. جدول غربالگري بروز شده بعنوان يكي از ورودي مدل فاز اول بر اساس مباني و داده¬هاي جمع آوري شده از مجله نفت و گاز (OGJ ) و ساير مقالات و پردازش آنها تهيه شده است. پردازش شامل ارزيابي داده¬ها، شناسايي داده هاي پرت و خلاصه¬سازي آنها مي‌باشد. پس از پردازش تكميلي داده ها، جدول بروز شده غربالگري براي 18 روش ازدياد برداشت ارائه مي‌گردد. جدول غربالگري شامل محدوده و ميانگين اصلاح شده پارامترهاي اصلي مخزن مي‌باشد. مدل پيش بيني وزني بمنظور افزايش دقت روش منطق فازي اعمال شده است و هدف آن پيش بيني تاثير وزني پارامترهاي غربالگري در روشهاي ازدياد برداشت بصورت جداگانه مي‌باشد. براساس مدل غربالگري اوليه (يك مدل فازي – ماشين بردار پشتيبان)، درصد موفقيت فرآيند ازدياد برداشت در يك مخزن بصورت كمي و با دقت مطلوب ارائه مي‌گردد و نتايج در مقايسه با نرم افزار EORgui و مجله نفت و گاز (OGJ) خطاي كمتر از 10% را نشان مي‌دهد. در فاز دوم غربالگري (مدل ثانويه)، يك مدل شبيه ساز داده محور مخزن بمنظور پيش¬بيني عملكرد روشهاي ازدياد برداشت (بويژه تزريق گاز امتزاجي) توسعه داده مي‌شود. در اين مرحله ابتدا، پيش بيني پارامتر MMP (بعنوان يكي از ورودي مدل شبيه¬ساز داده محور) توسط يك مدل ماشين بردار پشتيبان بهينه شده ارائه گرديده است. نتايج مدل پيش بيني MMP با چندين رابطه تجربي مقايسه شده و خطاي در حدود 2.3% را نشان مي‌دهد. در نهايت مدل غربالگري ثانويه براساس داده¬هاي شبيه سازي تجاري و مدل MMP آموزش و توسعه داده مي‌شود. خطاي نتايج مدل داده محور شبيه ساز مخزن در مقايسه با شبيه ساز تجاري كمتر از 8.9% مي‌باشد. همچنين روش تحليل مولفه اصلي براي كاهش ابعاد داده هاي ورودي در مدل شبيه ساز مخزن بكار گيري شده است كه در برخي موارد تا 4.65% ميزان خطا را كاهش داده است. در مرحله نهايي فرآيند غربالگري (فاز سوم)، بررسي و تحليل تغييرات احتمالي نتايج مدل داده محور مخزن (فاز دوم غربالگري) ناشي از عدم قطعيت در داده هاي ميدان هيدروكربوري (بويژه تخلخل و نفوذ پذيري) انجام گرديده است. تحليل عدم قطعيت در كنار محاسبات اقتصادي باعث افزايش دقت نتايج فرآيند غربالگري يكپارچه شده است. در نهايت نتايج بدست آمده در بخش غربالگري اوليه، ثانويه و ثالثيه (DDSM ) با داده‌هاي واقعي مورد مقايسه قرار گرفته است. مدل، عملكرد مناسبي را نسبت به نرم افزارهاي مشابه مانند EORGui و داده¬هاي واقعي نشان مي¬دهد بطوريكه در برخي از داده هاي ارزيابي، نتايج مدل DDSM نسبت به نرم افزار EORGui برتري نشان مي¬دهد و با داده هاي ميدان واقعي همخواني كامل دارد. در خصوص مدل پيش بيني ضريب ازدياد برداشت و وزن پارامترهاي مخزن خطا بين 3.7-13.5 درصد مي¬باشد و خطاي مدل شبيه ساز يك بعدي، دو بعدي و سه بعدي بين 0.9-8.9 درصد محاسبه شده است.

1399/09/18

Development of an EOR Screening Tool in Petroleum Reservoirs Using Artificial Intelligence Methods

11/9/2020 12:00:00 AM

In this thesis attempts to create and develop an intelligent data-driven model for screening and analyzing the EOR methods. Initially, data is gathered, processed and reviewed in two parts of the field and simulation section. The data based methods are discussed in general and based on the application. In the project data preparation, data processing, screening, forecasting parameters, production forecasting has been performed. Data preparation section includes normalizing, identifying outlies, summarizing data. A data-driven screening model (DDSM) is developed to screen the enhanced oil recovery (EOR) methods for petroleum reservoirs using combined capabilities of fuzzy expert approach (FEA) and support vector regression (SVR) techniques. In order to improve screening performance, a fuzzy model was integrated using 4 SVR models to predict the screening parameter’s effective weights. The SVR models can predict recovery factor (RF) of EOR methods including gas, chemical, steam, and combustion to calculate adaptive effective weight of the screening parameters. The SVR models were trained with datasets generated from simulations of EOR process. The absolute average error (AAE) of SVR models from simulation varied in the range of 0.078-0.095 for RF prediction. EOR field data of the past 40 years were reviewed to regenerate new and reliable EOR criteria table as basis for the screening model. The DDSM was evaluated to determine quantitative screening and ranking of EOR methods using seven field datasets, as well as fast forecasting of the nominated EOR methods. The DDSM results were compatible to published data in literature. In addition, the developed model can give comparable results with respect to EORgui software. The results show improvements due to adaptive weighting system on EOR screening methods for the studied reservoirs relative to fuzzy engine with constant weights. The presented model can guide the screening process to select efficient EOR method in practical applications. The methods used in this research include evolutionary techniques, classifications, machine learning such as ANN, SVM, FL, SVD, PCA, Wavelet, GA, VQ,... which are combined or separately in different project phases on existing data. The results obtained in the primary, secondary and tertiary screening sections are compared with the actual data and the performance model is satisfactory compared to similar software such as EORGui and real data. The error in weight prediction model were between 3.7-13.5 percent and in reservoir simulation data based model were between 0.9-8.9 percent.