ارزيابي مشكل كاهش برداشت از ميادين نفت و گاز به دليل تجمع مايعات در چاه هاي گازي و ارائه راهكارهاي اصلاحي

در مخازن زیرزمینی وجود قطرات مایع در جریان گاز موجب بوجود آمدن مشكلاتی از قبیل محاسبه كمترین نرخ جریان گاز برای بالا آوردن قطرات به بیرون از چاه میشود. نیروی وزن، قطره را به سمت پایین و نیروی كشش توسط گاز آن را به سمت بالا میكشد. زمانی كه این دو نیرو برابرند، قطره معلق خواهد بود و سرعت گاز، سرعت بحرانی است. اگر سرعت جریان گاز به اندازه این سرعت باشد قطره معلق خواهد ماند و اگر سرعت از این حد افزون شود قطره به سمت بالا حركت میكند و در سرعتهای كمتر از این مقدار، قطرات در كف چاه جمع میشوند. بطور كلی، سرعت بحرانی به حداقل سرعت گاز درون لوله مغزی كه بتواند قطرات را به سمت بالا حركت دهد گفته میشود. در سرعتهای پایینتر از سرعت بحرانی، گاز قادر به حمل مایعات به سطح نبوده و موجب ایجاد ستونی از مایع در چاه میشود كه توان تولیدی چاه را كاهش میدهد. به منظور جلوگیری از تجمع مایعات، باید سرعت جریانی گاز را بالای سرعت بحرانی نگهداشت. هدف از این مقاله بررسی و تشخیص تجمع مایعات در چاههای گازی به كمك شبكههای عصبی و همچنین مدل دوفازی گذرا میباشد تا بتوان در زمان مناسب با دانستن كمترین نرخ جریان با تزریق گاز از تجمع مایعات كه باعث كاهش برداشت در میادین نفت و گاز میشوند جلوگیری نمود. در قسمت اول یك شبكه عصبی پرسپترون چند لایه مورد بررسی قرار میگیرد تا مدلی مناسب برای پیشبینی تجمع مایعات ارائه شود. در قسمت دوم برای مدل كردن جریان دوفازی گذرا معادلات حاكم بر تجمع مایعات بصورت عددی بسط داده میشود و با ارائه داده به مدل، خروجی های مدل بدست میآید. بعد از بررسیهای انجام شده و پیشبینی كمترین نرخ جریان به این نتیجه میرسیم كه خطای پیشبینی نرخ بحرانی در مدلهای ارائه شده از شبكههای عصبی و مدل دوفازی گذرا، ناچیز بوده و نتایج قابل قبولی را ارائه میكنند.

Liquid drops and gas flow in ground reservoir increase complicacy of computing minimum gas flow rate to extract the liquids from the well. Gravity force lead the drops downward and tension force of gas lead them upward. When these two forces are equal, the drops float and the gas flow rate is called critical flow rate. When gas flow is critical, the drops float, and over the critical rate, the drops glide upward and downward when the flow rate is less than critical value. In general, critical flow rate is the minimum gas flow that is not capable of bringing the liquid to the surface and form a column of liquid in the well and reduce yield of the well. To prevent concentration of liquid, gas flow rate needs to be kept at critical level. Neural network and transient two-phase model were used to survey and detect concentration of liquid in gas well. The results help us to avoid concentration of liquid by monitoring minimum rate of gas flow and injection gas. The first section introduces a multilayer perceptron neural network and the proposed model to predict concentration of liquids. Section two deals with the modeling equations of transient two-phase flow ruling concentration of liquids in the form of numerical extension. The surveys and predicted minimum flow rate showed that critical rate error in the neural and transient two-phase models are trivial and the results were acceptable