استفاده از الگوریتمهای یادگیری ماشین و الگوریتمهای بهینهسازی هوشمند در مطالعات توسعه میدان
نام عام مواد
[پایاننامه]
عنوان اصلي به زبان ديگر
Applications of Machine Learning Algorithms and Intelligence Optimization Algorithms in Field Development Study
نام نخستين پديدآور
/حسین خیرالهی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: مهندسی نفت و گاز
تاریخ نشرو بخش و غیره
، ۱۴۰۰
مشخصات ظاهری
نام خاص و کميت اثر
۱۸۲ص.
ساير جزييات
:
يادداشت کلی
متن يادداشت
زبان: فارسی
متن يادداشت
زبان چکیده: فارسی
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به مشخصات ظاهری اثر
متن يادداشت
مصور، جدول، نمودار
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی نفت- مخازن هیدروکربوری
زمان اعطا مدرک
۱۴۰۰/۰۶/۰۱
کسي که مدرک را اعطا کرده
صنعتی سهند
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
در سالهای اخیر، با افزایش حجم دادهها و تولید حجم عظیمی از دادهها در زمان کوتاه، کاربردهای دادهکاوی در زمینههای مختلف مهندسی افزایش چشمگیری داشته است .دادهکاوی یا کشف دانش از دادهها برای استخراج اطلاعات و الگوهای ناشناخته و مفید بالقوه از دادهها استفاده میشود .مهندسی نفت نیز میتواند تا حد زیادی از دادهکاوی، یادگیری ماشین و هوش مصنوعی سود ببرد .این الگوریتمها را میتوان تحت عنوان شبیهسازی سریع و با کمترین مقدار هزینه در تصمیمگیریهای پیچیده در طرحهای توسعه میدان، همانند تعیین بهترین نقاط برای حفر چاه تولید و همچنین انتخاب چاه تزریق سیال ازدیاد برداشتی به کار گرفت .در این مطالعه، ابتدا با استفاده از دادههای تولیدی تعداد قابلتوجهی چاه نفتی، یک رویکرد جدید برای خوشهبندی، کشف و ارائه قوانین مهم میان چاهها پیشنهاد گردید که استفاده از چنین تحلیلهایی برای مطالعات مدیریت مخزن در انتخاب چاههای تولید/تزریق آزمایشی برای الگوهای مختلف بسیار مفید خواهد بود .علاوه بر این در ادامه عملکرد الگوریتمهای مختلف یادگیری ماشین بهمنظور تخمین خواص سیالات مخزن همچون پارامتر گاز به نفت تولیدی موردبحث و بررسی قرار گرفت و مقایسه نتایج حاصل از روشهای مختلف نشاندهنده عملکرد بهتر روشهای تلفیقی، روش پردازش گاوسی و رگرسیون بردار پشتیبان به ترتیب با ضریب همبستگی ۹۵۶۷.۰، ۹۵۲۹.۰ و ۹۴۹۴.۰ میباشد؛ بنابراین این سه مدل برای تخمین مقدار نسبت نفت به گاز تولیدی پیشنهاد گردید .فرجام این مطالعه نیز با بهینهسازی چندهدفه مکان چاههای تولیدی با توجه به چالش تولید زیاد آب برای یکی از میادین نفتی جنوب ایران و ارائه یک بسته نرمافزاری برای کاربردهای متنوع همراه بود .نتایج بهینهسازی نشاندهنده افزایش نسبی بازیافت نفت در حدود ۵۰.۳۷ درصد و کاهش قابلتوجه مقدار برش آب است که این کار مستقیما در افزایش تولید اثرگذار بوده و بخصوص در شرایط محدودیتهای منابع مالی خودنمایی میکند .
متن يادداشت
In recent years, as the volume of data increases and huge amounts of data are produced in a short time, the applications of data mining are grown in different engineering fields. Data mining or knowledge discovery from data is used to extract previously unknown and potentially useful information and patterns from data. Petroleum engineering also could vastly benefit from data mining, machine learning (ML), and artificial intelligence (AI) analysis. These algorithms can be used as fast and low-cost simulations in complicated decision-making in field development projects, such as determining the best locations for drilling production/injection wells. In this study, firstly, a new approach was proposed to clustering, discovering, and presenting strong rules between wells based on the production data of a significant number of oil wells. In addition, the performance of different machine learning algorithms to estimate the properties of reservoir fluids such as gas to oil parameter was discussed, and comparing the results of different methods show better performance of ensemble learning methods, Gaussian processing method, and support vector regression and the coefficients of determination are 0.9567, 0.9529, and 0.9494, respectively. Therefore, these three models were proposed to estimate the ratio of oil to gas produced. Lastly, this study was associated with multi-objective optimization of production well locations due to the challenge of high water production for one of the oil fields in southern Iran and the provision of a software package for various applications. The optimization results show a relative increase in oil recovery factor of about 37.50 and a significant reduction in the amount of water cut, which directly affects the increase in production and is especially evident in the context of limited financial resources
خط فهرستنویسی و خط اصلی شناسه
ba
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Applications of Machine Learning Algorithms and Intelligence Optimization Algorithms in Field Development Study
موضوع (اسم عام یاعبارت اسمی عام)
موضوع مستند نشده
یادگیری ماشین
موضوع مستند نشده
شبکههای عصبی مصنوعی
موضوع مستند نشده
بهینهسازی
موضوع مستند نشده
منطق فازی
موضوع مستند نشده
خوشهبندی
موضوع مستند نشده
الگوریتم ژنتیک
اصطلاحهای موضوعی کنترل نشده
اصطلاح موضوعی
Machine Learning, Artificial Neural Network, Optimization, Data Mining, Well Location Optimization, Genetic Algorithms