31011

بهينه سازي تزريق گاز CO2 جهت فرآيند ازدياد برداشت مخازن هيدروكربني و ذخيره سازي دي اكسيد كربن به صورت همزمان

كارشناسي ارشد

مهندسي نفت- مهندسي مخازن هيدروكربوري

1400

1402/12/20

حميدرضا جهانگيري

ندارم

مهندسي شيمي، نفت و گاز

افزايش غلظت گازهاي گلخانه اي در جو، باعث ايجاد مشكلات زيست محيطي شده است. جهان به دنبال كاهش انتشار و جذب و ذخيره اين گازها از جمله دي اكسيد كربن (CO2) است. يكي از روش هاي كاهش CO2 در جو، ذخيره سازي زمين شناسي CO2 است. تزريق CO2 به منظور ازدياد برداشت نفت يكي از تكنيك هايي است كه اخيراً مورد توجه قرار گرفته است، زيرا اكثر مخازن نفت نيمه عمر خود را پشت سر گذاشته اند و ديگر قادر به توليد نيستند. هدف از اين پروژه استفاده از روشي براي بهينه سازي همزمان حداكثر ذخيره CO2 در مخزن و افزايش توليد نفت در نتيجه اين تزريق است. نوآوري اين پروژه يافتن بهترين مكان براي حفر چاه هاي تزريقي در يك مخزن و دستيابي به بهترين دبي تزريق براي رسيدن به هر دو هدف است. نقشه راه به اين صورت است كه ابتدا يك مخزن مصنوعي به نام PUNQ-S3 را به كمك نرم افزار ECLIPSE شبيه سازي ميكنيم. پس از شبيه سازي مدل پايه، چندين واقعيت براي يادگيري ماشين ايجاد مي كنيم. با اين واقعيت ها، به كمك كتابخانه XGBoost از زبان برنامه نويسي پايتون، تمامي شرايط محل چاه هاي تزريق و دبي تزريق را به دست آورده ايم و مي توانيم وارد مرحله بهينه سازي شويم. با تعريف كردن تابع هدف و مدلي كه XGBoost از واقعيت ها ياد گرفت تا بتواند كار اكليپس را انجام دهد و براي هر مدلي خروجي اكليپس را به ما بدهد، تماميه خروجي هاي مدل XGBoost به عنوان ورودي تابع هدف انتخاب ميشود و خروجي تابع هدف را به ما ميدهد و هدف نهايي كه با بهينه سازي حاصل ميشود، به حداكثر رساندن اين تابع هدف است. ما بهينه‌سازي را با روش بهينه‌سازي ازدحام ذرات انجام داديم تا بهترين مكان و دبي جريان را براي چاه‌هاي تزريقي به‌دست آوريم تا بيشترين توليد نفت و همچنين بالاترين جرم ذخيره CO2 را داشته باشيم. با انجام اين پروژه به مدت 15 سال در بهينه ترين حالت ممكن چيزي حدود 56 ميليون بشكه ازدياد برداشت نفت نسبت به حالت پايه و همچنين 750 هزار تن ذخيره سازي CO2 داشتيم.

1403/03/06

Optimization of CO2 injection in order to enhanced oil recovery and carbon dioxide sequestration simultaneously

3/10/2025 12:00:00 AM

The increase in the concentration of greenhouse gases in the atmosphere has caused environmental problems. the world is seeking to reduce the emission and absorption and storage of these gases, including carbon dioxide (CO2). One of the methods of reducing CO2 in the atmosphere is the geological storage of CO2. Injecting CO2 in order to enhanced oil recovery is one of the techniques that has recently received attention, because most of the oil reservoirs have passed their half-life and are no longer able to produce. The purpose of this project is to use a method to simultaneously optimize the maximum storage of CO2 in the reservoir and increase oil production as a result of this injection. The innovation of this project is to find the best place to drill injection wells in a reservoir and to achieve the best injection flow rates to achieve both goals. The roadmap is as follows: first, we select an artificial reservoir named PUNQ-S3 and implement our assumptions, which include 2 injection wells and 4 production wells, with the help of ECLIPSE simulation software. After simulating the base model, we create several realizations for machine learning. With these realizations, with the help of the XGBoost library from the python programming language, we have obtained all the conditions for the location of the injection wells and injection flow rates, and we can enter the optimization stage. we did the optimization with the particle swarm optimization method to get the best location and flow rate for the injection wells so that the most oil production and also have the highest CO2 storage mass. By carrying out this project for 15 years, in the most optimal possible state, we had something like 56 million barrels of oil harvest increase compared to the base case, as well as 750 thousand tons of carbon dioxide storage.

دي اكسيد كربن , ازدياد برداشت نفت , ذخيره سازي , تزريق امتزاج پذير , بهينه سازي , يادگيري ماشين

Carbon dioxide , Enhanced oil recovery , Storage , Miscible injection , Optimization , Machine learning

seyed mahdiyar taheri

Dr. hamidreza jahangiri