كاربرد هوش مصنوعي در تطبيق اطلاعات تاريخچه يكي از مخازن نفتي شكافدار

Application of Artificial Intelligence during History matching in One of fractured oil Reservoirs

يكي از كاربردهاي عمده روشهاي محاسبات نرم افزاري، پيشگويي نتايج فرآيندهاي مختلف در صنايع نفت بوده است، كه اندازه گيري آنها با روش هاي متداول بدليل غير خطي بودن داراي جواب واحدي نبوده و يا اينكه يافتن جواب آنها بسيار وقتگير و هزينه بر مي باشد. بدليل وجود عدم قطعيت در برخي از اطلاعات استفاده شده در شبيه سازي ها، پيش گويي هاي اين مدل ها با خطاي بسياري همراه است. در اين راستا از اطلاعاتي نظير فشار، دبي و ساير اطلاعات توليد در طول عمر مخزن جهت تطبيق تاريخچه و منطبق كردن نتايج شبيه سازي با واقعيت استفاده مي گردد. در اين مطالعه از شبكه عصبي مصنوعي (ANN) براي ساخت مدل پيش گويي كننده فشار ته چاهي يكي از مخازن نفتي شكافدار، با تاريخچه توليد 7 ساله استفاده شده است. تخلخل شكاف، تراوايي شكاف در جهت هاي افقي و عمودي، ارتفاع بلوك، تخلخل دوگانه ماتريكس-شكاف بعنوان پارامترهايي كه روي آنها عدم قطعيت وجود دارد بعنوان ورودي شبكه و فشار بعنوان خروجي براي ساخت شبكه بكار رفته اند. نتايج بدست آمده از اين مطالعه نشان داد كه، با استفاده از 50 بار اجراي سناريوهاي مختلف، مدل تخمين گر با خطاي كمتر از 4% ضمن كاهش زمان فرآيند، قابليت مناسبي جهت تطبيق فشار ته چاهي را دارد.

Nowadays different methods of soft computing to reduce time and calculation content are widely used in oil and gas industry. One of the main applications of these methods is prediction of the results of different processes in oil industry which their estimation with usual methods is too difficult and has either no single response or their response finding need more time and cost due to their nonlinear of the related problems. Because of much uncertainty on information which used in simulators, the results of these simulation models may have lot errors so production data (Pressure, Production Rate, Water Oil Ratio (WOR), Gas Oil Ratio (GOR) and etc.) during reservoir life is used to historical accommodation between simulator results and actual data. The main purpose of this study is investigation and feasibility study of a usual method of artificial intelligence in oil industry, which is based on the soft computing. In this study, Artificial Neural Network (ANN) is used to make a predicting model for bottom hole pressure and for one of the fractured oil reservoirs with the seven years history of production. Some unconditional parameters such as fracture porosity, horizontal and vertical fracture permeability, height of matrix and matrix-fracture dual porosity were applied as input data of the networks, and pressure was applied as an output in network making. Applied data in network making is achieved from the 50 runs with simulator. The conclusion of this study showed that predicting model of ANN with error less than 4% and reduces the time of process, has a good ability to history matching.