عنوان

بررسی مکان‌یابی چاه‌های جدید تولیدی و تزریقی در مخازن با استفاده از روش‌های داده کاوی

IR

۴۲۰۵پ

فارسی

IR

بررسی مکان‌یابی چاه‌های جدید تولیدی و تزریقی در مخازن با استفاده از روش‌های داده کاوی

[پایان‌نامه]

Investigation of new production and injection well placement in a reservoir using data mining techniques

/احسان باهنر

: مهندسی نفت و گاز

، ۱۳۹۹

۱۳۷ص.

:

زبان: فارسی

زبان چکیده: فارسی

چاپی - الکترونیکی

مصور، جدول، نمودار

کارشناسی ارشد

مهندسی نفت- مخازن

۱۳۹۹/۰۶/۰۱

صنعتی سهند

مخارن نامتعارف، از جمله پیچیده‌ترین رفتارها را در بین مخازن دنیا دارند .امروزه تعداد بسیار زیادی چاه در این مخازن حفاری شده است که هر کدام داری ویژگی‌های مختلف زمین شناسی، تکمیل‌چاه و ...هستند .تعداد زیادی از این چاه‌ها عملکرد مناسبی با گذشت مدت زمانی از تولید، نشان نمی‌دهد .هم اکنون سوالات زیادی در این حوزه مطرح است، از جمله اینکه چه فاکتورهایی بیشترین تاثیر را بر روی عملکرد خوب یا بد چاه حفر شده دارند؟ آیا فاکتورهای زمین شناسی مهم‌تر هستند، یا ویژگی‌های چاه حفر شده و یا تکمیل‌چاه؟ اگر هرکدام از فاکتورها به دلیل محدودیت‌های مختلف قابل تحقق نباشد، با بهینه کردن فاکتورهای دیگر می‌توان به آینده خوب چاه امیدوارد بود؟ برای حفر چاه با عملکرد خوب باید به دنبال چه فاکتورهایی بود؟ و سوالات بسیار زیادی در این رابطه وجود دارند .در حقیقت به دنبال جوابی مناسب برای این سوال هستیم که چاه جدید در کجا و چگونه حفاری شود .بنظر می‌رسد ابزار هوش مصنوعی و داده‌کاوی می‌تواند در کنار ابزارهای دیگر موجود به یافتن جواب مناسب و مطمعن به این سوالات کمک کند .در این پژوهش از داده‌های ۴۱ حلقه چاه گازی، واقع در سازند اسپیریت ریور در منطقه آلبرتا کانادا استفاده شده است .ابتدا داده‌های تولیدی با استفاده از روش کاهش تولید بررسی شده و بازیافت نهایی محاسبه گردیده است .سپس داده‌های هرکدام از چاه‌ها، از جمله خواص سنگ و سیال و نیز تکمیل چاه برای شروع بررسی طبقه بندی گردیده است .با استفاده از مصورسازی و بدست آوردن پارامترهای ضریب همبستگی وValue - Pمشخص گردید، با رفتن به سمت شمال و غرب منطقه بازیافت افزایش خواهد یافت .همچنین تاثیر فاصله شکاف‌ها بر روی بازیافت تجمعی در سال اول بیشتر از بازیافت نهایی بود .برای کلاس-بندی چاه‌ها، از الگوریتم ماشین بردار پشتیبان و درخت تصمیم استفاده گردید که هردو یک خطا در مرحله آزمایش نشان دادند .جهت تخمین بازیافت نهایی و بازیافت تجمعی سال اول از الگوریتم‌های جنگل تصادفی، ماشین بردار پشتیبان و رگرسیون سمبلیک استفاده گردید که رگرسیون سمبلیک کمترین خطا را از خود نشان داد .میزان خطا میانگین مطلق برای الگوریتم های جنگل تصادفی، ماشین بردار پشتیبان و رگرسیون سمبلیک برای بازیافت تجمعی سال اول به ترتیب ۴۰۶۰۷.۰، ۳۵۸۷۸.۰ و ۲۵۶۹۸.۰ و برای تولید نهایی به ترتیب ۱.۱،۷۴۸۹۳.۷۵۷۹۸ و ۸۰۳۰۳۹.۰ بود .در نهایت مقادیر بازیافت نهایی و بازیافت تجمعی سال اول در گستره مخزن برای ۴۵۸ نقطه محاسبه گردید .

Unconventional reservoirs are among the most complex reservoirs in the world. Today, a large number of wells have been drilled in these reservoirs, each of which has different geological features, reservoir fluid, rock, and well completion properties. Many of these wells do not show good performance over a period of production. Many questions are already being asked in this area, including what factors have the greatest impact on the good or bad performance of the drilled wells? Are geological factors more important, or the characteristics of the drilled well or the completion, rock and fluid properties of the well? If each of the factors is not feasible due to various constraints, can optimization of other factors hope for a good future of the well? What factors should be followed to drill a well with good performance? And there are a lot of questions in this regard. In fact, we are looking for good answers to the questions of where and how to drill a new well. It seems that artificial intelligence and data mining can help us to find appropriate and reliable answers to these questions. In this study, data from 41 gas wells located in the Spring River Formation in the Alberta region of Canada have been used. First, the production data was analyzed using the DCA method and EUR was calculated. Then, the data of each well, including the properties of rock and fluid, as well as the completion properties of the well, were classified. Using the correlation matrix and obtaining the parameters of the correlation coefficient and P-value, it was determined that the EUR will increase by going north and west. Also, the effect of Fracture Spacing on cumulative recovery in the first year was greater than on the EUR. To classify the wells, the support vector machine algorithm and the decision tree were used. Both of them showed one error in the test step. To estimate the EUR and cumulative recovery of the first year, random forest, support vector machine, and symbolic regression algorithms were used. Symbolic regression showed the least error and best performance in the test step. The mean absolute error (MAE) for random forest, support vector machine and symbolic regression algorithms for cumulative recovery in the first year were 0.40607, 0.35878, and 0.25698, respectively, and for EUR were 1.75798, 1.74893 and 0.803039, respectively. Finally, the EUR and cumulative recover values of the first year in the field were calculated for 458 points

ba

Investigation of new production and injection well placement in a reservoir using data mining techniques

داده‌کاوی

جای‌یابی چاه

بازیافت نهایی

رگرسیون

datamining, well location, EUR, regression

داده‌کاوی، جای‌یابی چاه، بازیافت نهایی، رگرسیون

باهنر، احسان

چهاردولی، محمد، استاد راهنما

سیم‌جو، محمد، استاد راهنما

ایران

20230613

نفت ،۲۰۰۹۳ ،۱۳۹۹

ی‌واک‍ ه‌داد ی‌اهش‌ور زا ه‌دافتسا اب‍ ن‌زاخم‍ رد ی‌قیرزت‍ و ی‌دیلوت‍ دیدج‍ ی‌اهه‌اچ‍ ی‌باین‌اکم‍ ی‌سررب‍.pdf

عادی

عادی

4205.pdf

p20093.pdf

0

ایمانی

متن

0

پ۴۲۰۵

فارسی

نمایه‌سازی قبلی

pe

TF

92029

1

a

Y