عنوان

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

Number

۴۹۸۹پ

.Language of Text, Soundtrack etc

فارسی

Title Proper

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

General Material Designation

[پایان نامه]

First Statement of Responsibility

متین شاهین

Name of Publisher, Distributor, etc.

صنعتی سهند

Date of Publication, Distribution, etc.

۱۴۰۲

Specific Material Designation and Extent of Item

۱۳۹ص.

Other Physical Details

مصور، جدول، نمودار

Accompanying Material

CD

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی نفت- مخازن هیدروکربوری

Date of degree

۱۴۰۲/۰۶/۰۱

Text of Note

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.

Text of Note

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.

Variant Title

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

بهینه سازی تولید

مدلسازی بالا به پایین

هوش مصنوعی

مدلسازی داده محور

Subject Term

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

Subject Term

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

شاهین، متین

Entry Element

سیم‌جو

Entry Element

چهاردولی

Part of Name Other than Entry Element

، محمد

Part of Name Other than Entry Element

، محمد

Relator Code

استاد راهنما

Relator Code

استاد راهنما

Entry Element

صنعتی سهند

Country

ایران

Agency

دانشگاه صنعتی سهند

Date of Transaction

20230926

Call Number

نفت، ۲۰۱۵۹، ۱۴۰۲

p

TF

92029

a

Y