light box
امتیاز 2.58 استفاده از هوش مصنوعی برای پیش‌بینی تولید هیدروکربن از شیل">

نوع فایل : word
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 28
تعداد کلمات : 7500
مجله : Petroleum
انتشار : 2018
ترجمه متون داخل جداول : ترجمه شده است
درج جداول در فایل ترجمه : درج شده است
منابع داخل متن : به صورت فارسی درج شده است
کیفیت ترجمه : طلایی
دسته بندی :
برچسب ها : ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ،

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).

Title: Application of artificial intelligence to forecast hydrocarbon production from shales

Abstract

Artificial intelligence (AI) methods and applications have recently gained a great deal of attention in many areas, including fields of mathematics, neuroscience, economics, engineering, linguistics, gaming, and many others. This is due to the surge of innovative and sophisticated AI techniques applications to highly complex problems as well as the powerful new developments in high speed computing. Various applications of AI in everyday life include machine learning, pattern recognition, robotics, data processing and analysis, etc. The oil and gas industry is not behind either, in fact, AI techniques have recently been applied to estimate PVT properties, optimize production, predict recoverable hydrocarbons, optimize well placement using pattern recognition, optimize hydraulic fracture design, and to aid in reservoir characterization efforts. In this study, three different AI models are trained and used to forecast hydrocarbon production from hydraulically fractured wells. Two vastly used artificial intelligence methods, namely the Least Square Support Vector Machine (LSSVM) and the Artificial Neural Networks (ANN), are compared to a traditional curve fitting method known as Response Surface Model (RSM) using second order polynomial equations to determine production from shales. The objective of this work is to further explore the potential of AI in the oil and gas industry. Eight parameters are considered as input factors to build the model: reservoir permeability, initial dissolved gas-oil ratio, rock compressibility, gas relative permeability, slope of gas oil ratio, initial reservoir pressure, flowing bottom hole pressure, and hydraulic fracture spacing. The range of values used for these parameters resemble real field scenarios from prolific shale plays such as the Eagle Ford, Bakken, and the Niobrara in the United States. Production data consists of oil recovery factor and produced gas-oil ratio (GOR) generated from a generic hydraulically fractured reservoir model using a commercial simulator. The Box-Behnken experiment design was used to minimize the number of simulations for this study. Five time-based models (for production periods of 90 days, 1 year, 5 years, 10 years, and 15 years) and one rate-based model (when oil rate drops to 5 bbl/day/fracture) were considered. Particle Swarm Optimization (PSO) routine is used in all three surrogate models to obtain the associated model parameters. Models were trained using 80% of all data generated through simulation while 20% was used for testing of the models. All models were evaluated by measuring the goodness of fit through the coefficient of determination (R2) and the Normalized Root Mean Square Error (NRMSE). Results show that RSM and LSSVM have very accurate oil recovery forecasting capabilities while LSSVM shows the best performance for complex GOR behavior. Furthermore, all surrogate models are shown to serve as reliable proxy reservoir models useful for fast fluid recovery forecasts and sensitivity analyses.

 

    دیدگاهها بسته است.

    محصولات مشابه
    طبقه بندی جنسیتی با استفاده از مدل پیشنهادی مبتنی بر CNN و بهینه سازی کلونی مورچه ها
    خـریـد محـصـول
    شیوه های حسابرسی داخلی و عملکرد مالی تعاونی های پس انداز و اعتبار
    خـریـد محـصـول
    پیش‌بینی جریان نقدی و تأثیر آن بر پایداری مالی سازمان‌های مبتنی بر جامعه
    خـریـد محـصـول
    عوامل تعیین کننده تامین مالی ازمحل استقراض: استارت آپ های فین تک
    خـریـد محـصـول
    استفاده از کلاه ایمنی در ورزشکاران سوارکار: فرصت هایی برای مداخله
    خـریـد محـصـول
    تاب آوری، بهزیستی، علائم افسردگی و سطوح ضربه مغزی در ورزشکاران سوارکاری
    خـریـد محـصـول
    صدمات سوارکاری: بررسی پنج ساله پذیرش بیماران در بیمارستان در بریتیش کلمبیا، کانادا
    خـریـد محـصـول
    تاریخچه ضربه مغزی و پایگاه دانش در ورزشکاران رقابتی سوارکاری
    خـریـد محـصـول
    تجزیه و تحلیل آسیب ها در مسابقات سوارکاری رقابتی
    خـریـد محـصـول
    کنترل مقیاس های زمانی برای انتقال الکترون از طریق پروتئین ها
    خـریـد محـصـول
    ثبت اختراع یا انتشار مقاله

    در اولین مرحله از شروع یک تحقیق جدید نیاز است منابع مختلفی جستجو شود تا جدید بودن ایده مورد بررسی قرار گیرد. یکی از بهترین منابع جهت جستجو، لیست اختراع های ثبت شده است. پایگاه های جستجوی پتنت به محقق کمک میکند پیشینه تحقیق خود را مورد بررسی قرار دهد تا مطمئن شود کار تکراری انجام نمیدهد. لیست اختراعات ثبت شده در اداره ثبت اختراعات ایران دارای طبقه بندی های متفاوتی است. در طبقه بندی بین المللی B که شامل اختراعات حوزه نیاز ها بشری شامل عملیات اجرایی، حمل و نقل شامل: کشتیرانی، ترابری و دیگر موارد را میتوانید در پایگاه جستجوی دارایی های فکری دارکوب مشاهده کنید.

    ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

    در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

    از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

     
    برو بالا