عنوان

مطالعه بهینه سازی تولید در یک مخزن نفتی با استفاده از تکنیک داده-کاوی و روش هوش مصنوعی

شماره

۴۹۸۹پ

زبان متن نوشتاري يا گفتاري و مانند آن

فارسی

عنوان اصلي

مطالعه بهینه سازی تولید در یک مخزن نفتی با استفاده از تکنیک داده-کاوی و روش هوش مصنوعی

نام عام مواد

[پایان نامه]

نام نخستين پديدآور

متین شاهین

نام ناشر، پخش کننده و غيره

صنعتی سهند

تاریخ نشرو بخش و غیره

۱۴۰۲

نام خاص و کميت اثر

۱۳۹ص.

ساير جزييات

مصور، جدول، نمودار

مواد همراه اثر

CD

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی نفت- مخازن هیدروکربوری

زمان اعطا مدرک

۱۴۰۲/۰۶/۰۱

متن يادداشت

ضریب بازیافت نفت مهمترین پارامتر برای تمامی شرکت های اکتشاف و تولید نفت به ویژه در طول عمر اولیه مخزن می باشد؛ زیرا بسیاری از تصمیمات سرمایه گذاری بر اساس مقدار هیدروکربنی که می توان با استفاده از تکنیک ها و روش های عملیاتی موجود از مخزن مورد هدف استخراج کرد، اتخاذ می شود. تخمین این پارامتر با استفاده از تکنیک های مختلفی می تواند صورت پذیرد اما دقت این روش ها به در دسترس بودن داده های خاصی که به شدت به عمر تولیدی مخزن نفتی وابسته هستند، بستگی دارد. اکثر مدل¬های هوشمند ارائه شده به منظور پیش بینی میزان ضریب بازیافت نفت، تنها برای پیش¬بینی این پارامتر در مخازن ماسه سنگی توسعه داده شده¬اند. در این کار پژوهشی، از رویکرد مدلسازی بالا به پایین به منظور پیش‌بینی ضریب بازیافت نفت به عنوان تابعی از نوع سنگ، مکانیسم تولید، تخلخل، نفوذپذیری، اشباع آب همزاد، دمای مخزن، چگالی نفت، فشار اولیه مخزن و میزان نفت درجا برای مخازن ماسه سنگی و کربناته تحت مکانیسم های تولید رانش آب یا رانش گاز محلول با پیاده سازی الگوریتم های مختلف هوش مصنوعی شامل شبکه عصبی پرسپترون چند لایه، شبکه عصبی آبشاری، ماشین بردار پشتیبان، کی- نزدیکترین همسایه، درخت تصمیم و جنگل تصادفی، استفاده شده است. نتایج بدست آمده نشان داد که الگوریتم شبکه عصبی پرسپترون چند لایه با استفاده از الگوریتم یادگیری تنظیم بیزی با خطای جذر میانگین مربعات 8629/6 ، ضریب تعیین 8599/0 و ضریب همبستگی 9262/0 عملکرد بهتری نسبت به دیگر الگوریتم هوش مصنوعی به منظور پیش بینی میزان ضریب بازیافت نفت دارد. مدل¬های هوشمند توسعه یافته مبتنی بر روش مدلسازی بالا به پایین را می توان برای ارزیابی مخازن، انتخاب استراتژی های مناسب بهینه سازی تولید و به منظورکمک به شرکت¬های اکتشاف و تولید نفت در برنامه ریزی های توسعه میدان به کار برد.

متن يادداشت

The oil recovery factor (RF) is the most important parameter for all exploration and production (E&P) companies, particularly during the early reservoir life, because numerous investment decisions are made based on the amount of hydrocarbon that can be extracted from the target asset by using the available techniques and operational practices. The estimation of this parameter could be achieved through several techniques, but the accuracy of these methods depends on specific data availability, which is strongly dependent on the reservoir age. Most of the presented intelligent models have only been developed for the prediction of the oil recovery factor in sandstone reservoirs. In this study, the top-down modeling approach was used for oil recovery factor prediction as a function of rock type, production mechanism, porosity, permeability, connate water saturation, reservoir temperature, API gravity, original reservoir pressure, and STOOIP for both sandstone and carbonate reservoirs under either water-drive or solution gas-drive production mechanisms, by implementing different types of machine learning algorithm such as multilayer perceptron (MLP) neural network, cascade neural network (CNN), support vector machine, k-nearest neighbors, decision tree and random forest. The results exhibited the outperformance of the MLP model trained with the Bayesian regularization algorithm for forecasting the RF with an RMSE of 6.8629, coefficient of determination of 0.8599, and correlation coefficient of 0.9262 for the total dataset. The developed intelligent models based on TDM can be applied for asset evaluation, selection of suitable production optimization strategies, and helping E&P companies for further field development planning.

عنوان گونه گون

Production Optimization Study in an Oil Reservoir Using Data Mining Technique and Artificial Intelligence Method

موضوع مستند نشده

بهینه سازی تولید

موضوع مستند نشده

مدلسازی بالا به پایین

موضوع مستند نشده

هوش مصنوعی

موضوع مستند نشده

مدلسازی داده محور

اصطلاح موضوعی

بهینه سازی تولید، مدلسازی بالا به پایین، هوش مصنوعی، یادگیری ماشین، شبکه های عصبی مصنوعی، مدلسازی داده محور

اصطلاح موضوعی

Production optimization, Top-down modeling, Artificial intelligence, Machine leraning, Artificial neural network, Data-driven modeling

مستند نام اشخاص تاييد نشده

شاهین، متین

عنصر شناسه اي

سیم‌جو

عنصر شناسه اي

چهاردولی

ساير عناصر نام

، محمد

ساير عناصر نام

، محمد

کد نقش

استاد راهنما

کد نقش

استاد راهنما

عنصر شناسه اي

صنعتی سهند

کشور

ایران

سازمان

دانشگاه صنعتی سهند

تاريخ عمليات

20230926

شماره بازیابی

نفت، ۲۰۱۵۹، ۱۴۰۲

فرمت انتشار

p

نوع ماده

TF

کد کاربرگه

92029

سطح دسترسي

a

تكميل شده

Y