اندازه‌گیری دبی جریان سیال هیدروکربنی بر مبنای داده‌های صوت و فشار با استفاده از روش‌های هوش مصنوعی

یکی از مهم‌ترین پارامترها برای بهینه‌سازی و مدیریت مخزن، اندازه‌گیری دبی جریان سیالات تولیدی از هر کدام از چاه‌های‌ مخزن است. روش‌های محاسباتی مرسومی که برای اندازه‌گیری میزان سیالات تولیدی چاه‌ها مورد استفاده قرار می‌گیرند مانند محاسبات تخصیص، اریفیس و چوک، از دقت مناسبی برخوردار نیستند و دارای عدم قطعیت می‌باشند. همچنین این روش‌ها دبی را به صورت برخط اندازه‌گیری نمی‌کنند و در اکثر مواقع دبی محاسبه شده با استفاده از آن‌ها به صورت روزانه اعلام می‌شود. از طرفی قرار دادن یک دبی‌سنج چندفازی برای هر چاه به منظور رفع این مشکلات نیز بسیار پرهزینه است. در این مقاله روشی ارائه شده است که می‌تواند با استفاده از داده‌های فشار و سیگنال صوت به همراه مدل‌های مبتنی بر داده‌ی پرسپترون چندلایه (mlp) یا رگرسیون بردار پشتیبان (svr)، دبی را اندازه‌گیری کند. ازآنجایی‌که سیگنال‌های صوتی ناشی از جریان سیالات تولیدی از چاه‌ها در شرایط عملیاتی در دسترس نیستند، برای جمع‌آوری داده‌های مورد نیاز از یک سری تجهیزات آزمایشگاهی استفاده شده‌است. این تجهیزات تا حدود زیادی شرایط تولید از مخزن را شبیه‌سازی می‌کنند. نتایج حاصل از مدل‌های هوشمند توسعه داده شده نشان می‌دهد که مدل mlp دقت بالاتری دارد و می تواند دبی جریان گازوئیل را با دقتی در حدود 99/09 % نسبت به دبی‌سنج مبنا اندازه‌گیری کند. از طرفی، این مدل‌ها سرعت پاسخگویی مناسبی دارند که باعث می‌شود بتوان آن‌ها را به صورت برخط برای اندازه‌گیری دبی جریان به‌کار برد. همچنین بررسی‌های بیشتر نشان می‌دهند که حضور اریفیس یا ونتوری در لوله باعث می‌شود که مدل‌های هوشمند بتوانند با دقت و سرعت بالاتری دبی را اندازه‌گیری کنند. بررسی نتایج به صورت کلی نشان می‌دهد که روشی که در این مطالعه برای اندازه‌گیری دبی ارائه شده‌است یک روش سریع، ارزان‌قیمت و با دقت مناسب است.

Hydrocarbon fluid flow rate measurement based on sound and pressure data using artificial intelligence methods

Measuring the flow rate of the produced fluids from each well is one of the most important parameters for reservoir optimization and management. Conventional methods for measuring the flow rate of produced fluids from wells, such as allocation, orifice, and choke calculations, are not accurate and have uncertainties. These methods also do not measure the flow rates in real-time, and the calculated flow rates using them are reported daily. On the other hand, installing a multiphase flow meter for each well is very costly. This paper presents a method that can measure the flow rate using pressure and sound data with a multilayer perceptron neural network (MLP) or support vector regression (SVR). Since the sound signals generated by the fluid stream are not available in operational conditions, experimental setups have been used to collect the required data. These experimental setups are designed to simulate the conditions of fluid production from the reservoir. The results of the developed intelligent models show that the MLP model has higher accuracy than SVR and can measure the flow rate of diesel flowing through the pipe with a certainty of 99.09% compared to the flow meters used in experimental setups. On the other hand, these models have a good response speed, which enables them to be used in real-time to measure the flow rate. Further studies show that the presence of an orifice or venturi in the pipe enables neural network models to measure the flow rate more accurately and faster. Overall, the results show that the method presented in this study for measuring flow rate is a fast, inexpensive, and accurat method.