توسعه شبكه عصبي مصنوعي مبتني بر الگوريتم ژنتيك به منظور پيش‌بيني آزمايش‌هاي PVT چاه‌هاي نفت در صنايع بالادستي

A Genetic Algorithm-based Artificial Neural Network for Prediction of Oil PVT Properties in the Upstream Industries

در مرحله صیانت از مخازن نفتی صنایع بالادستی، آزمایش‌های پیچیده‌ای موسوم به PVT برای شناسایی خواص سیالات مخزن انجام می‌گیرد. وجود مشكلاتی چون خطرات احتمالی، زمان‌بر بودن، دقیق نبودن نمونه‌ها و محدودیت‌های دما و فشار، باعث شده تا استفاده از روش‌های هوشمند در این حوزه گسترش یابد. در این پژوهش به منظور اجتناب از مشكلات مذكور و یافتن رابطه پیچیده و غیرخطی داده‌های آزمایش‌های‌ PVT از شبكه عصبی مصنوعی بهره گرفته شده است. همچنین، از الگوریتم ژنتیك به منظور تعیین مقادیر بهینه پارامترهای مدل شبكه‌ عصبی در فرآیند آموزش استفاده شده است. به منظور ارزیابی رویكرد توسعه یافته از مجموعه داده‌های چاه‌های نفتی جنوب ایران بهره گرفته شد و نتایج حاصل نشان می‌دهد كه استفاده از شبكه عصبی مصنوعی مبتنی بر الگوریتم ژنتیك، برخلاف روش‌های كلاسیك، در زمان كمتر و با دقت بالایی خواص سیالات مخزن (ضریب حجمی سیال و فشار نقطه حباب) را پیش‌بینی می‌نماید. در نتیجه، كارشناسان و مدیران صنایع بالادستی مخازن نفتی ایران می‌توانند از شبكه عصبی پیشنهادی در راستای پیش‌ینی آزمایش‌های PVT بهره گیرند.  

At the level of preservation of oil wells in upstream oil industries, complicated experimentations, called PVT, are done for the recognition of reservoir fluid properties. Problems such as probable dangers, time consuming, and the inaccuracy of samples and limitations in temperature and pressure have led to tend to increase the use of intelligent methods in this field. In this study, in order to avoid the mentioned problems and find the complex and nonlinear relationships between data and PVT experiments, artificial neural network has been used. Because the suitable choice of the initial weights increases the neural network efficiency, genetic algorithm is used in order to adjust the initial weights. For evaluating the proposed approach, Iran oil reservoir fluid properties are implemented. The results of research showed that the use of genetic algorithm-based artificial neural network, in contrast to the classical methods, predicts the reservoir fluid properties in a shorter time and with high accuracy. Therefore, the proposed neural network can be seen as a powerful approach toward the prediction of Iran oilfield oil PVT properties.