مطالعه عملکرد تزریق دی اکسید کربن در مخازن تخلیه شده با به کارگیریالگوریتم های شبکه عصبی مصنوعی (مطالعه موردی: اسمایهیا)

تزریق دی‌اکسید کربن (co₂) در مخازن نفتی، روشی موثر برای افزایش برداشت نفت و ذخیره‌سازی co₂ است. در این مطالعه، از شبکه عصبی مصنوعی (ann) برای پیش‌بینی میزان بازیابی نفت و ظرفیت ذخیره‌سازی co₂ در مخازن تخلیه‌شده (roz) با توجه به عدم قطعیت‌های زمین‌شناسی و عملیات چاه استفاده شد. داده‌های میدانی منطقه smeaheia، نروژ، شامل 14 ویژگی کلیدی برای بهینه‌سازی تزریق co₂ شناسایی گردید. دو مدل شبکه عصبی mlp و rbf در این پژوهش بکار گرفته شد و دقت آنها به‌ترتیب 91٫36٪ و 94٫63٪ ارزیابی شد. به منظور بهینه‌سازی ویژگی‌ها و کاهش ابعاد داده‌ها، الگوریتم گرگ خاکستری استفاده شد که به انتخاب 10 ویژگی موثر انجامید. این ویژگی‌ها شامل نفوذپذیری، فشار چاه، حجم منافذ، تراکم‌پذیری، و نسبت تخلخل به ارتفاع بودند. مدل‌های بهینه‌سازی‌شده دقت پیش‌بینی تزریق co₂ را در مدل mlp به 97٫46٪ و در مدل rbf به 98٫97٪ افزایش دادند. این نتایج نشان می‌دهد که ترکیب ann و انتخاب ویژگی بهینه، می‌تواند به‌عنوان ابزاری قدرتمند برای پیش‌بینی و مدیریت تزریق co₂ در مخازن نفتی باشد.

a review of the performance of carbon dioxide injection in depleted reservoirs using artificial neural network algorithms (case study: ismayahia)

carbon dioxide (co₂) injection into oil reservoirs is an effective method for enhancing oil recovery and co₂ storage. in this study, an artificial neural network (ann) was used to predict the oil recovery rate and co₂ storage capacity in depleted reservoirs (roz) considering geological and well operation uncertainties. field data from the smeaheia area, norway, were identified to contain 14 key features for optimizing co₂ injection. two neural network models, mlp and rbf, were used in this study, and their accuracy was evaluated to be 91.36% and 94.63%, respectively. in order to optimize the features and reduce the data dimensionality, the gray wolf algorithm was used, which resulted in the selection of 10 effective features. these features included permeability, wellbore pressure, pore volume, compressibility, initial pressure, net-to-gross thickness ratio, shear wave fraction, shale-to-height ratio, scaling parameter, and porosity-to-height ratio. the optimized models increased the accuracy of co₂ injection prediction in the mlp model to 97.46% and in the rbf model to 98.97%. these results indicate that the combination of ann and optimal feature selection can be a powerful tool for predicting and managing co₂ injection in oil reservoirs. using the optimized mlp and rbf models, the co₂ injection rate can be predicted with higher accuracy, and thus, the enhanced oil recovery process can be optimized in reservoirs with complex geological characteristics in iran, such as low-pressure oil reservoirs or reservoirs with variable porosity and permeability.