25785

جريان‌سنجي مجازي جريان چند فازي با استفاده از روش‌هاي هوش‌مصنوعي

كارشناسي ارشد

مهندسي شيمي

1397-1400

1400/8/18

دكتر شاهرخ شاه حسيني

مهندسي شيمي، نفت و گاز

اندازه‌گيري مجازي جريان، يكي از روش‌هاي نوظهور براي تعيين شدت‌جريان‌هاي چندفازي در صنايع نفت و گاز مي‌باشد. در اين روش، مدل‌هاي نرم‌افزاري به جاي ابزارهاي سخت‌افزاري گران‌قيمت، شدت‌جريان‌ها را با استفاده از كميت‌هاي قابل اندازه‌گيري مانند فشار و دما، محاسبه مي‌كنند. در حال حاظر با توجه به پيشرفت‌هاي صورت گرفته در زمينه‌ي هوش مصنوعي و يادگيري ماشين، روش‌هاي گوناگوني براي مدل‌سازي مجازي سيستم‌ها با اين روش توسعه داده شده‌اند. با وجود اين، مهم‌ترين نقطه‌ي ضعف چنين روش‌هايي، عدم توانايي مدل داده‌محور ايجاد شده در تشخيص شرايط جديد مي‌باشد. هدف اصلي از اين پژوهش ايجاد مدل براي تعيين شدت‌جريان هر فاز در يك جريان چند فازي در شرايطي خارج از محدوده‌ي آموزش مدل داده‌محور مي‌باشد. از اين رو، در اين پژوهش از داده‌هاي مربوط به نمونه‌هاي استخراج شده از فرايند چاه آزمايي مربوط به تست سنجش توانايي يكي از مخازن ميعانات گازي درياي شمال براي مدل‌سازي تعيين شدت‌جريان‌هاي سه‌فازي محصولات خروجي استفاده شد. نمونه‌ها مربوط به پنج بازه‌ي جرياني با شرايط مختلف مي‌باشند. مدل‌سازي توسط چهار روش اصلي شبكه‌ي عصبي پيش‌خور، ماشين بردار پشتيبان، رگرسيون فرايند گاوسي و درخت تصميم انجام شد. با توجه به گسترده بودن هركدام از روش‌هاي ذكر شده، مدل‌سازي‌ها با استفاده از زيرمجموعه‌هاي اين روش‌ها نيز انجام گرفت. در مجموع 84 مدل مختلف (براي هر فاز 28 مدل) ايجاد شد. همچنين براي بررسي مدل‌ها، هفت شاخص عملكرد معرفي شد و هر مدل با توجه به شاخص‌هاي عملكرد ارائه شده مورد سنجش قرار گرفت. در نتيجه‌ي اين پژوهش مشخص شد عملكرد تمامي مدل‌هاي ايجاد شده براي محدوده‌ي نمونه‌هاي آموزش مناسب مي‌باشند ولي در محدوده‌ي خارج از آن، رفتار مدل‌ها نسبت به هم داراي تفاوت‌هاي زيادي است. بعضي از مدل‌ها تغييرات را به خوبي تشخيص مي‌دهند ولي در تعيين مقادير شدت‌جريان نوسانات زيادي در بازه‌ي ها مختلف شرايط جديد دارند. به عنوان نتيجه‌ي نهايي براي انتخاب مدلي جامع كه توانايي عملكرد مناسب براي شرايط جرياني جديد را داشته‌باشد بايد از مدلي تركيبي كه شامل چندين مدل مختلف است و پاسخ آن، به عنوان مجموعه‌اي از پاسخ‌هاي مدل‌هاي تكي است، استفاده نمود.

1400/09/20

Virtual Flow Metering Of Multiphase Flow Using Artificial Intelligence Methods

11/9/2022 12:00:00 AM

Virtual flow metering is one of the emerging methods for determining the multiphase flow in the oil and gas industry. In this method, software models calculate flows using measurable quantities such as pressure and temperature, instead of expensive hardware tools. At present, due to the advances made in the field of artificial intelligence and machine learning, various methods for virtual modeling of systems with this method have been developed. However, the most important weakness of such methods is the inability of the data-driven model to detect new conditions. The main purpose of this study is to create a model to determine the fluid flow of each phase in a multiphase flow in conditions outside the range of model training data. Therefore, in this study, data related to samples extracted from the well testing process related to the deliverability test of one of the North Sea gas condensate wells were used to model the determination of the fluid flow of three-phase flows of output products. The samples are related to five flow intervals with different conditions. Modeling was performed by four main methods, feedforward neural network, support vector machine, gaussian process regression and decision tree. Due to the wide range of each of the mentioned methods, modeling was performed using subsets of these methods. A total of 84 different models (28 models for each phase) were created. Also, to evaluate the models, seven performance indicators were introduced and each model was evaluated according to the performance indicators provided. As a result of this research, it was found that the performance of all the created models is suitable for the range of training samples, but in the out-of-range, the behavior of the models is very different from each other. Some models detect changes well but in determining the values of flows in new conditions in different intervals have fluctuations. As a final result, to select a comprehensive model that is capable of performing well for the new flow conditions, a hybrid model that includes several different models and the output of which is a set of responses of individual models should be used.

جريان چندفازي , مدل‌سازي داده‌محور , يادگيري ماشين , شبكه‌ي عصبي مصنوعي

multiphase flow , data-driven modeling , machine learning , artificial neural network