عملکرد شبکه عصبی چندلایه پرسپترون در تخمین حداقل فشار امتزاجی گاز دی‌اکسید کربن در مقایسه با روش‌های مرسوم

فرآیند تزریق گاز به‌عنوان یکی از مهم‌ترین روش‌های ازدیاد برداشت از مخازن نفتی به صورت امتزاجی مطرح است. به دلیل ماهیت تماس چندگانه گاز دی‌اکسید‌کربن با فاز نفت برای امتزاج، تعیین مقدار حداقل فشار تماس چندگانه دقیق به عنوان یکی از شرایط عملیاتی، همواره چالش بر‌انگیز بوده است. روش‌های متفاوت آزمایشگاهی و نظری برای تعیین و محاسبه حداقل فشار امتزاجی ارائه‌شده است، اما با توجه به هزینه‌بر بودن روش‌های آزمایشگاهی، تحقیق در مورد روش‌های نظری برای محاسبه این پارامتر ادامه دارد. در این مطالعه، از داده‌های برگرفته از مطالعات پیشین در رابطه با حداقل فشار امتزاجی mmp استفاده گردیده است. پس از آن عملکرد روش‌های مرسوم نظیر گلاسو، جانز و اور و نیز روش یلینگ و متکالف و الگوریتم‌ شبکه عصبی‌ مصنوعی چندلایه پرسپترون در تخمین mmp مورد ارزیابی قرار گرفته‌‌اند. از پارامتر آماری ضریب همبستگی و میانگین خطای نسبی جهت ارزیابی عملکرد روش‌های مذکور استفاده شده است. نتایج نشان می‌دهد، در میان روش‌های مرسوم روش گلاسو با دقت 0.8749= r2 بهترین روش در تخمین mmp می باشد. این درحالی است که دقت روش شبکه عصبی مصنوعی برابر 0.9495= r2 می باشد. نتایج نشان می‌دهد که روش شبکه عصبی مصنوعی نسبت به روش‌های مرسوم قابل اعتماد‌تر و دقیق‌تر است.

performance of multi-layer perceptron neural network in estimating the minimum miscibility pressure of co2 compared to conventional methods

the co2 gas injection process is considered as one of the most important miscible methods of increasing oil production from reservoirs. different laboratory and theoretical methods have been presented to determine and calculate the minimum miscibility pressure, but considering the cost of laboratory methods, research on theoretical methods to calculate this parameter continues. in this study, the data obtained from previous studies regarding the minimum miscibility pressure (mmp) have been used. after that, the performance of conventional methods such as glaso, johns and orr, as well as yellig and metcalfe method and the perceptron multilayer artificial neural network algorithm, have been evaluated in mmp estimation. the statistical parameters of the correlation coefficient and the average relative error have been used to evaluate the performance of the mentioned methods. the results show that among the conventional methods, the glaso method with the accuracy of r2=0.8749 is the best method in estimating mmp. this is while the accuracy of the artificial neural network method is equal to r2=0.9495. the results show that the artificial neural network method is more reliable and accurate than conventional methods.