عنوان فارسی مقاله:استفاده از هوش مصنوعی برای پیشبینی تولید هیدروکربن از شیل
چکیده
روشها و کاربردهای هوش مصنوعی (AI) اخیراً در بسیاری از زمینهها، از جمله زمینههای ریاضی، علوم اعصاب، اقتصاد، مهندسی، زبانشناسی، بازی و بسیاری دیگر مورد توجه قرار گرفتهاند. این به دلیل افزایش کاربردهای تکنیک های خلاقانه و پیچیده هوش مصنوعی برای مشکلات بسیار پیچیده و همچنین پیشرفت های جدید قدرتمند در محاسبات با سرعت بالا است. کاربردهای مختلف هوش مصنوعی در زندگی روزمره شامل یادگیری ماشینی، تشخیص الگو، روباتیک، پردازش و تجزیه و تحلیل داده ها و غیره است. صنعت نفت و گاز نیز عقب نیست، در واقع، تکنیک های هوش مصنوعی اخیرا برای تخمین خواص PVT، بهینه سازی. تولید، پیشبینی هیدروکربنهای قابل بازیافت، بهینهسازی مکانیابی چاه با استفاده از تشخیص الگو، بهینهسازی طراحی شکست هیدرولیکی، و کمک به تلاشهای شناسایی مخزن استفاده شده است. در این مطالعه، سه مدل مختلف هوش مصنوعی آموزش داده شده و برای پیشبینی تولید هیدروکربن از چاههای شکسته هیدرولیکی استفاده میشود. دو روش هوش مصنوعی پرکاربرد، یعنی ماشین بردار پشتیبان حداقل مربع (LSSVM) و شبکه های عصبی مصنوعی (ANN)، با روش برازش منحنی سنتی معروف به مدل سطح پاسخ (RSM) با استفاده از معادلات چند جمله ای مرتبه دوم برای تعیین تولید از شیل مقایسه شده اند. هدف از این کار بررسی بیشتر پتانسیل هوش مصنوعی در صنعت نفت و گاز است. هشت پارامتر به عنوان عوامل ورودی برای ساخت مدل در نظر گرفته می شوند: نفوذپذیری مخزن، نسبت اولیه گاز به نفت محلول، تراکم پذیری سنگ، نفوذپذیری نسبی گاز، نسبت شیب نفت گاز، فشار مخزن اولیه، فشار سوراخ پایین جریان، و فاصله شکستگی هیدرولیک. دامنه مقادیر مورد استفاده برای این پارامترها شبیه سناریوهای میدانی واقعی از نمایشنامه های پرکار شیل مانند ایگل فورد، باکن، و نیوبرارا در ایالات متحده است. داده های تولید شامل ضریب بازیافت نفت و نسبت نفت گاز تولیدی (GOR) تولید شده از یک مدل مخزن هیدرولیکی عمومی با استفاده از شبیه ساز تجاری است. برای به حداقل رساندن تعداد شبیه سازی ها برای این مطالعه از طرح آزمایش باکس-بنکن استفاده شد. پنج مدل مبتنی بر زمان (برای دوره های تولید ۹۰ روز، ۱ سال، ۵ سال، ۱۰ سال و ۱۵ سال) و یک مدل مبتنی بر نرخ (زمانی که نرخ نفت به ۵ بشکه در روز / شکستگی کاهش می یابد) در نظر گرفته شد. روال بهینه سازی ازدحام ذرات (PSO) در هر سه مدل جایگزین برای به دست آوردن پارامترهای مدل مرتبط استفاده می شود. مدل ها با استفاده از ۸۰ درصد از کل داده های تولید شده از طریق شبیه سازی آموزش داده شدند در حالی که ۲۰ درصد برای آزمایش مدل ها استفاده شد. همه مدلها با اندازهگیری خوبی برازش از طریق ضریب تعیین (R2) و خطای میانگین مربع ریشه نرمال شده (NRMSE) ارزیابی شدند. نتایج نشان میدهد که RSM و LSSVM قابلیتهای پیشبینی بازیافت روغن بسیار دقیقی دارند در حالی که LSSVM بهترین عملکرد را برای رفتار پیچیده GOR نشان میدهد. علاوه بر این، همه مدلهای جایگزین نشان داده شدهاند که به عنوان مدلهای مخزن پروکسی قابل اعتماد برای پیشبینیهای بازیابی سریع سیال و تحلیلهای حساسیت مفید هستند(تولید هیدروکربن از شیل).
- لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
- همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
- ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.