شماره ركورد كنفرانس
5193
عنوان مقاله
استفاده از يادگيري ماشين بهمنظور مكانيابي بهينه چاه در مخزن
عنوان به زبان ديگر
Optimum Well Placement in the Reservoir Using Machine Learning
پديدآورندگان
اسفندي طنين taninesfandi@modares.ac.ir دانشكده مهندسي شيمي، دانشگاه تربيت مدرس، تهران، ايران , صادق نژاد سعيد sadeghnejad@modares.ac.ir دانشيار دانشكده مهندسي شيمي، دانشگاه تربيت مدرس، تهران، ايران , جعفري آرزو ajafari@modares.ac.ir دانشيار دانشكده مهندسي شيمي، دانشگاه تربيت مدرس، تهران، ايران
تعداد صفحه
10
كليدواژه
هوش مصنوعي , يادگيري ماشين , مكان يابي چاه , ازدياد برداشت توسط دي اكسيد كربن , مدل جايگزين مدل سازي مخزن
سال انتشار
1401
عنوان كنفرانس
همايش بين المللي هوش مصنوعي، علم داده و تحول ديجيتال در صنعت نفت و گاز
زبان مدرك
فارسي
چكيده فارسي
هزينه حفاري در جستجو براي نفت و گاز در ميدانها با ناهمگني زياد، بسيار بالا است. درنتيجه جامعه مهندسي نفت به دنبال راهحلهاي ابتكاري براي به حداكثر رساندن بازيافت نفت در پايان تكميل چاه هستند. يكي از راههاي به حداكثر رساندن توليد نفت و گاز، مكانيابي صحيح چاه است. در اين مطالعه، به كمك شبيهساز مخزن، دياكسيد كربن با الگو پنج نقطه معكوس به يك مخزن همگن تزريق شد تا بازيافت نفت را بهبود بخشد. در اين سناريو، پارامترهاي متفاوتي همچون مكان چاه تزريقي، فاصله چاهها توليدي و تزريقي، زاويه بين آنها و در نهايت نرخ توليد و نرخ تزريق تغيير پيدا كرد تا بتوان تغيير تابع هدف اين مطالعه يعني ارزش فعلي خالص را بررسي نمود. سپس با استفاده از دو الگوريتم يادگيري ماشين يعني LightGBM وXGBoost مدل جايگزيني ساخته شد تا بتوان تخميني از بهترين مكان چاه بر اساس تابع هدف داشت. در نهايت پس از مقايسه اين دو الگوريتم ها، هردو آنها نتايج خوبي از خود نشان داده اند و R2 برابر 0.94 داشتند. و از نظر خطا نيز الگوريتم XGBoost خطاي بيشتري در محاسبه تابع هدف داشت. از نظر مجموع زمان آموزش و آزمودن، الگوريتم LightGBM سريعتر عمل نمود.
كشور
ايران
لينک به اين مدرک