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 به شمار می‌رود. انتخاب درست روش افزایش‌برداشت نقش کلیدی در موفقیت فنی و اقتصادی پروژه‌های کلان در صنعت نفت دارد. برای انتخاب روش یا روش‌های کاندید افزایش‌برداشت یک مخزن با خواص سنگ و سیال مشخص از غربالگری استفاده می‌شود. در فرآیند غربالگری معمولاً پارامترهای متعددی همچون، ظرفیت مخزن، قابلیت انتقال سیال، عمق، ضخامت لایه نفتی، دما و گرانروی نفت تاثیرگذار می‌باشند. تعیین یک روش مناسب برای توسعه مخزن یک چالش بزرگ محسوب می‌گردد. بنابراین می‌توان از تلفیق سیستم‌های منطق فازی (مبتنی بر دانش انسانی) و شبکه عصبی مصنوعی (داده محور) به‌عنوان یک ابزار و راهکار مناسب در بیان 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 (استلزام ممدانی) و شبکه عصبی تک لایه با 20 نرون در لایه مخفی برای تعیین و غربالگری روش‌های ازدیاد برداشت میادین نفتی ارائه شده است. نتایج نشان‌دهنده عملکرد شبکه عصبی با ضریب همبستگی 92% و همچنین مدل تلفیقی برای انتخاب کاندیدای ازدیادبرداشت می‌باشد.

Using an Ensembled Artificial Intelligence Approach for EOR Methods Screening in Oil Fields

The decision to choose the best Enhanced Oil Recovery (EOR) method(s) among different variety of models, is a vital step in the oil reservoir development process. Selecting the proper EOR method has a key role in the technical and economical success of enormous oil industry projects. Screening criteria are used for selecting the best EOR method(s) for an oil reservoir with specific rock and fluid properties. The main input parameters that affect screening prosses include; Reservoir capacity, fluid transmissibility and permeability, depth, net thickness, temperature, and oil gravity (API). Considering mentioned parameters have uncertainty, specifying a suitable EOR method for reservoir development is a radical challenge. It can be used the combination of fuzzy logic systems (knowledge base) and artificial neural network (data-driven) as a suitable tool and solution in expressing uncertainty and screening methods. In this study, data from the history of different reservoirs in the world wide is used to define fuzzy variables and determine fuzzy rules between input and output variables, and finally a fuzzy model (Mamdani implementation) and a single hidden layer neural network with 20 neurons in the hidden layer are presented. ANN model provides 92% accuracy in prediction of target method. Consequently we proposed the ensemble model for the selection of EOR screening tool.