غربال‌گری روش‌های ازدیادبرداشت از مخازن نفتی با استفاده از تلفیق روش‌های هوش‌مصنوعی

تصمیم‌گیری در انتخاب یک یا چند روش ازدیادبرداشتی از میان روش‌های مختلف، یکی از مراحل حیاتی در فرآیند توسعه میادین نفتی به‌شمار می‌رود. انتخاب درست روش افزایش‌برداشت نقش کلیدی در موفقیت فنی و اقتصادی پروژه‌های کلان در صنعت نفت دارد. معمولاً برای غربال‌گری و اتخاذ تصمیم مناسب در خصوص تعیین روش‌های کاندیدای پیاده‌سازی افزایش‌برداشت یک مخزن از پارامترهای متعددی همچون، میزان ظرفیت ذخیره مخزن، قابلیت انتقال و عبوردهی سیال، عمق مخزن، ضخامت لایه نفتی، دمای مخزن و گرانروی نفت تاثیرگذار می‌باشند. هدف و رویکرد اصلی این پژوهش، تلفیق روش‌های هوش مصنوعی شامل: 1- سیستم‌های منطق فازی (مبتنی بر دانش انسانی) و 2- شبکه عصبی مصنوعی (داده محور) به‌عنوان یک ابزار و راه‌کار مناسب در کاهش عدم قطعیت و غربال‌گری روش‌های ازدیادبرداشتی استفاده کرد.در این مطالعه از داده‌های تاریخچه ازدیاد برداشت مخازن مختلف در سطح دنیا برای تعریف مجموعه‌های فازی و تعیین قوانین فازی بین متغیرهای ورودی و خروجی استفاده و در نهایت یک مدل فازی ارائه گردید. با توجه به عدم توازن در فراوانی و تعداد برچسب برخی از کلاس‌ها، طراحی آزمایش و روش سطح پاسخ به‌عنوان یک راه‌کار برای آماده‌سازی داده‌های ورودی برای مدل شبکه عصبی تک لایه استفاده گردید. مدل شبکه عصبی پیش خور با معماری 20 نرون، تابع فعال‌سازی سیگموئیدی در لایه مخفی و عملکرد مدل با ضریب همبستگی 95 و 92% به‌ترتیب برای داده آموزش و صحت‌سنجی، برای تعیین و غربال‌گری روش‌های ازدیادبرداشت میادین نفتی استفاده گردید. در نهایت با استفاده از استراتژی الویت‌بندی و تلفیق نتایج روش‌های مختلف، الویت کاندیدهای مناسب ازدیادبرداشت تعیین گردید.

using an ensembled artificial intelligence approach for eor methods screening in oil fields

introduction oil and gas are the main sources of energy in the world. most of the fields are mature and the decline phase is triggered. therefore, it is necessary to perform an eor method, i.e., an external force or the injection of chemicals that are not naturally present in the reservoir, into the hydrocarbon reservoir to achieve more recovery [1, 2]. however, these methods are very expensive, and choosing one of them to apply in a significant reservoir requires careful research and study to avoid large economic losses. choosing the best method requires paying attention to the rock and fluid properties, reservoir characteristics, and other structures of the formation.several researchers are attempted to propose a method to choose the best eor method. some data-driven (e.g., artificial neural network models) methods were utilized to screen the methods [3-5]. however, decision-making about selecting the best eor methods is challenging.the main objective of this study is to develop an integrated model including a fuzzy model, and artificial neural network based on lessons learned from successful eor projects, e.g., reservoir rock and fluids properties for screening and selecting the best candidate for eor.materials and methodsthe main purpose of this study is to apply different screening methods and combine these models to make the final decision. for this purpose, an ensembled method including traditional methods, fuzzy logic, and artificial neural networks was utilized. design of experimentin this study, the history data of 257 successful projects carried out in different fields were gathered. to increase the number of data points, the design of the experiment, i.e., the statistical approach was used as a useful and practical tool to generate some observations (488 data samples) from eor-gui software. box behnken design method was used to create a selection table in which -1, 0, and +1 represent the minimum, mean, and maximum values for each factor, respectively.