عنوان

استفاده از یادگیری تجمعی ماشین در تخمین پارامترهای مخزنی در یک میدان نفتی

شماره

۴۷۶۱پ

زبان متن نوشتاري يا گفتاري و مانند آن

فارسی

عنوان اصلي

استفاده از یادگیری تجمعی ماشین در تخمین پارامترهای مخزنی در یک میدان نفتی

نام عام مواد

[پایان نامه]

نام نخستين پديدآور

مصطفی خراعی پناه

نام ناشر، پخش کننده و غيره

صنعتی سهند

تاریخ نشرو بخش و غیره

۱۴۰۱

نام خاص و کميت اثر

۱۴۶ص.

ساير جزييات

مصور، جدول، نمودار

مواد همراه اثر

CD

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی نفت- بهره‌برداری از منابع نفتی

زمان اعطا مدرک

۱۴۰۱/۱۱/۰۱

متن يادداشت

تخمین پارامترهای مخزنی، نقش کلیدی در بررسی رفتار مخازن هیدروکربنی دارد. دو پارامتر تراوایی و تخلخل از جمله مهم¬ترین پارامترهای مخزنی هستند و پارامترهای بسیاری در صنعت نفت، وابسته به این دو پارامتر هستند. تعیین ناحیة تزریق در فرایند ازدیاد برداشت، تعیین ناحیة تولید، طراحی سیستم انحراف اسید در عملیات اسیدکاری، تشخیص نواحی با قابلیت هرز روی گل حفاری، تعیین ارزش اقتصادی مخازن هیدروکربنی و تعیین ناحیة مشبک‌کاری از جمله چالش‌هایی هستند که می¬توان با تخمین درست این دو پارامتر، آن¬ها را به نحو مطلوبی مورد بررسی قرار داد. درگذشته و برای تخمین تراوایی و تخلخل در مخازن هیدروکربنی از روش‌های تجربی استفاده می¬شد، اما امروزه و با گسترش علم یادگیری ماشین و شبکه‌های عصبی مصنوعی و فراهم بودن اطلاعات چاه‌نگاری و مغزه در مخازن هیدروکربنی شاهد گسترش روزافزون موارد استفاده از الگوریتم¬های یادگیری ماشین در تخمین پارامترهای مخزنی هستیم. در این پژوهش، از روش¬های نوین یادگیری جمعی ماشین برای تخمین تراوایی و تخلخل استفاده شده است. استفاده از الگوریتم¬های یادگیری جمعی ماشین در این پژوهش و استفاده از الگوریتم شبکه عصبی پرسپترون چندلایه به‌عنوان الگوریتم پایه، منتج به افزایش دقت تخمین پارامترهای مخزنی شده است. به‌طوری‌که در بحث تخمین تخلخل، ضریب تعیین میان الگوریتم VotingMLP و MLP بر روی داده‌های آموزش به ترتیب برابر 927/0 و 899/0 و در بحث تخمین تراوایی به ترتیب برابر با 927/0 و 917/0 و بر روی داده‌های آزمایش به ترتیب برابر 904/0 و 886/0 و در بحث تخمین تراوایی به ترتیب برابر با 851/0 و 837/0 بوده است. از جمله چالش¬های اساسی در تخمین پارامترهای مخزنی در مخازن کربناته، وجود واحدهای جریانی هیدرولیکی متفاوت در این مخازن است که به علت وابستگی شدید تراوایی به هندسة حفرات، باید این واحدهای جریانی از یکدیگر تفکیک شده و مدلی مجزا برای تخمین تراوایی در هر یک از این واحدهای جریانی توسعه یابد. در همین راستا، الگوریتم نوین مدل آمیخته گوسی، برای تفکیک واحدهای جریانی هیدرولیکی استفاده شده است. نظر به توزیع ناهمگون داده‌ها در واحدهای جریانی هیدرولیکی مختلف، برای طبقه¬بندی واحدهای جریانی هیدرولیکی در نواحی مغزه‌گیری نشده مقایسه میان دو الگوریتم شبکه عصبی مصنوعی حساس به هزینه و درخت تصمیم‌گیری حساس به هزینه صورت‌گرفته است که الگوریتم شبکه عصبی مصنوعی حساس به هزینه بر اساس شاخص منحنی عملکرد سیستم، دقت 766/0 بر روی داده‌های آزمایش و دقت 808/0 بر روی داده‌های آموزش داشته است. ارائة مدل یادگیری ماشین با استفاده از داده‌های مغزه و چاه‌نگاری و استفاده از مدل توسعه‌یافته برای تخمین پارامترهای مخزنی در چاه‌ها یا بازه‌های مغزه‌گیری نشده، می¬تواند منجر به کاهش هزینه در توسعه میادین نفتی شود.

متن يادداشت

Prediction of reservoir parameters, pose a significant role in understanding of the behavior of any petroleum reservoir. Permeability and porosity are amongst the crucial reservoir parameters and many parameters are dependent on those two parameters. prediction of high injectivity zones in EOR processes, potential production zones, diversion system design in acidizing, prediction of high mud loss intervals, defining the economical value of the petroleum reservoir and locating perforations are amongst the fundamental challenges in petroleum engineering domain which can be overcommed. Previously, empirical methods and correlations have been implepemented for porosity and permeability prediction, but nowadays, with emerging the machine learning and artificial neural network science and core and well logging data in petroleum reservoirs, automated machine learning algorithms can be used for petroleum reservoir characterization. In this research, novel ensemble machine learning algorithms have been implemented for porosity and permeability prediction which caused more precision in prediction in comparison to isolated algorithms. For porosity prediction, Voting ensemble of adaboost and bagging meta-algorithms with MLP as the base learner and isolated MLP’s performance over training dataset according to coeeficient of determination was 0/927 and 0/899 and for permeability prediction was 0/927 and 0/917 respectively and the performance on testing dataset was 0/904 and 0/886 and in permeability prediction was 0/851 and 0/837 respectively. These results are an indication of increase in precision of accuracy in prediction of porosity and permeability with ensemble machine learning methods. Another crucial challenges in carbonate reservoir characterization are distinct hydraulic flow units that for dependency of permeability on pore geometry, hydraulic flow units must be discretisized and the development of a unique model for permeability prediction is of utmost importance. For that reason, novel Gaussian mixture model have been implemented for clustering of distinct hydraulic flow units. Based on the imbalanced distribution of determined hydraulic flow units across reservoir, to classify uncored intervals and wells, comparison between two algorithms namely cost sensitive DT and MLP has been performed and cost sensitive MLP performed 0/766 on testing dataset and 0/808 on training dataset base on ROC score. Development of Machine learning models with core and well logging data and the implementation of developed algorithm on uncored wells and intervals will result in low expenditure in petroleum reservoirs development.

عنوان گونه گون

Application of Ensemble Machine Learning Paradigm in Reservoir Characterization of an Oil Field

موضوع مستند نشده

مخازن هیدروکربنی

موضوع مستند نشده

تراوایی

موضوع مستند نشده

تخلخل

موضوع مستند نشده

واحدهای جریانی هیدرولیکی

موضوع مستند نشده

یادگیری جمعی ماشین

موضوع مستند نشده

مدل آمیخته گوسی

اصطلاح موضوعی

مخازن هیدروکربنی، تراوایی، تخلخل، واحدهای جریانی هیدرولیکی، یادگیری جمعی ماشین، مدل آمیخته گوسی

اصطلاح موضوعی

Petroleum Reservoirs, Porosity, Permeability, Hydraulic flow units, Ensemble Machine Learning, Gaussian mixture model

مستند نام اشخاص تاييد نشده

خزاعی پناه، مصطفی

عنصر شناسه اي

چهاردولی

عنصر شناسه اي

سیم‌جو

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

شماره بازیابی

نفت، ۲۰۱۴۵، ۱۴۰۱

فرمت انتشار

p

نوع ماده

TF

کد کاربرگه

92029

سطح دسترسي

a

تكميل شده

Y