اندازه‌گيري دبي جريان سيال هيدروكربني بر مبناي داده‌هاي صوت و فشار با استفاده از روش‌هاي هوش مصنوعي

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

يكي از مهم‌ترين پارامترها براي بهينه‌سازي و مديريت مخزن، اندازه‌گيري دبي جريان سيالات توليدي از هر كدام از چاه‌هاي‌ مخزن است. روش‌هاي محاسباتي مرسومي كه براي اندازه‌گيري ميزان سيالات توليدي چاه‌ها مورد استفاده قرار مي‌گيرند مانند محاسبات تخصيص، اريفيس و چوك، از دقت مناسبي برخوردار نيستند و داراي عدم قطعيت مي‌باشند. همچنين اين روش‌ها دبي را به صورت برخط اندازه‌گيري نمي‌كنند و در اكثر مواقع دبي محاسبه شده با استفاده از آن‌ها به صورت روزانه اعلام مي‌شود. از طرفي قرار دادن يك دبي‌سنج چندفازي براي هر چاه به منظور رفع اين مشكلات نيز بسيار پرهزينه است. در اين مقاله روشي ارائه شده است كه مي‌تواند با استفاده از داده‌هاي فشار و سيگنال صوت به همراه مدل‌هاي مبتني بر داده‌ي پرسپترون چندلايه (MLP) يا رگرسيون بردار پشتيبان (SVR)، دبي را اندازه‌گيري كند. ازآنجايي‌كه سيگنال‌هاي صوتي ناشي از جريان سيالات توليدي از چاه‌ها در شرايط عملياتي در دسترس نيستند، براي جمع‌آوري داده‌هاي مورد نياز از يك سري تجهيزات آزمايشگاهي استفاده شده‌است. اين تجهيزات تا حدود زيادي شرايط توليد از مخزن را شبيه‌سازي مي‌كنند. نتايج حاصل از مدل‌هاي هوشمند توسعه داده شده نشان مي‌دهد كه مدل MLP دقت بالاتري دارد و مي تواند دبي جريان گازوئيل را با دقتي در حدود 99/09 % نسبت به دبي‌سنج مبنا اندازه‌گيري كند. از طرفي، اين مدل‌ها سرعت پاسخگويي مناسبي دارند كه باعث مي‌شود بتوان آن‌ها را به صورت برخط براي اندازه‌گيري دبي جريان به‌كار برد. همچنين بررسي‌هاي بيشتر نشان مي‌دهند كه حضور اريفيس يا ونتوري در لوله باعث مي‌شود كه مدل‌هاي هوشمند بتوانند با دقت و سرعت بالاتري دبي را اندازه‌گيري كنند. بررسي نتايج به صورت كلي نشان مي‌دهد كه روشي كه در اين مطالعه براي اندازه‌گيري دبي ارائه شده‌است يك روش سريع، ارزان‌قيمت و با دقت مناسب است.

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.