غربالگري روش‌هاي ازديادبرداشت از مخازن نفتي با استفاده از تلفيق روش‌هاي هوش‌مصنوعي

Using an Ensembled Artificial Intelligence Approach for EOR Methods Screening in Oil Fields

تصميم‌گيري در انتخاب يك يا چند روش ازديادبرداشتي از ميان روش‌هاي مختلف، يكي از مراحل حياتي در فرآيند توسعه ميادين نفتي به شمار مي‌رود. انتخاب درست روش افزايش‌برداشت نقش كليدي در موفقيت فني و اقتصادي پروژه‌هاي كلان در صنعت نفت دارد. براي انتخاب روش يا روش‌هاي كانديد افزايش‌برداشت يك مخزن با خواص سنگ و سيال مشخص از غربالگري استفاده مي‌شود. در فرآيند غربالگري معمولاً پارامترهاي متعددي همچون، ظرفيت مخزن، قابليت انتقال سيال، عمق، ضخامت لايه نفتي، دما و گرانروي نفت تأثيرگذار مي‌باشند. تعيين يك روش مناسب براي توسعه مخزن يك چالش بزرگ محسوب مي‌گردد. بنابراين مي‌توان از تلفيق سيستم‌هاي منطق فازي (مبتني بر دانش انساني) و شبكه عصبي مصنوعي (داده محور) به‌عنوان يك ابزار و راهكار مناسب در بيان عدم قطعيت و غربالگري روش‌هاي ازديادبرداشتي استفاده كرد. در اين مطالعه از داده‌هاي تاريخچه ازدياد برداشت مخازن مختلف در سطح دنيا براي تعريف مجموعه‌هاي فازي و تعيين قوانين فازي بين متغيرهاي ورودي و خروجي استفاده و در نهايت يك مدل فازي (استلزام ممداني) و شبكه عصبي تك لايه با 20 نرون در لايه مخفي براي تعيين و غربالگري روش‌هاي ازدياد برداشت ميادين نفتي ارائه شده است. نتايج نشان‌دهنده عملكرد شبكه عصبي با ضريب همبستگي 92% و همچنين مدل تلفيقي براي انتخاب كانديداي ازديادبرداشت مي‌باشد.

The decision to choose the best Enhanced Oil Recovery (EOR) method(s) among different variety of models, is a vital step in the oil reservoir development process. Selecting the proper EOR method has a key role in the technical and economical success of enormous oil industry projects. Screening criteria are used for selecting the best EOR method(s) for an oil reservoir with specific rock and fluid properties. The main input parameters that affect screening prosses include; Reservoir capacity, fluid transmissibility and permeability, depth, net thickness, temperature, and oil gravity (API). Considering mentioned parameters have uncertainty, specifying a suitable EOR method for reservoir development is a radical challenge. It can be used the combination of fuzzy logic systems (knowledge base) and artificial neural network (data-driven) as a suitable tool and solution in expressing uncertainty and screening methods. In this study, data from the history of different reservoirs in the world wide is used to define fuzzy variables and determine fuzzy rules between input and output variables, and finally a fuzzy model (Mamdani implementation) and a single hidden layer neural network with 20 neurons in the hidden layer are presented. ANN model provides 92% accuracy in prediction of target method. Consequently we proposed the ensemble model for the selection of EOR screening tool.