پیش‌بینی فشار شروع ته‌نشینی آسفالتین طی فرآیند کاهش فشار در حضور دی‌اکسیدکربن با استفاده از نظریه‌های هوش مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر

2 دانشکده مهندسی نفت، دانشگاه آزاد اسلامی واحد علوم و تحقیقات

چکیده

تزریق امتزاجی دی اکسید کربن به عنوان یکی از روش‌های متداول ازدیاد برداشت نفت از مخازن با تغییر خواص سیالات نفتی می‌تواند باعث بروز برخی مشکلات مانند ته‌نشینی آسفالتین شود که خود منجر به کاهش نفوذپذیری سازند و قابلیت کاهش تولید چاه‌های نفت و یا گرفتگی دهانه چاه و تسهیلات سرچاهی می‌گردد. پیش بینی فشار شروع ته‌نشینی آسفالتین به منظور بهینه‌سازی عملیات تزریق امتزاجی دی‌اکسیدکربن از اهمیت خاصی برخوردار می‌باشد. هدف این تحقیق، پیش‌بینی فشار شروع ته‌نشینی آسفالتین طی کاهش فشار در حضور دی اکسید کربن با استفاده از مدل‌های هوش مصنوعی می‌باشد. این روش شامل یک شبیه‌ساز به نام "(Intelligent Proxy Simulator(IPS" مبتنی بر ساختار شبکه‌های عصبی مصنوعی با استفاده از دو الگوریتم آموزشی پس انتشار خطا و الگوریتم بهینه سازی اجتماع ذرات می‌باشد. جهت ارزیابی نتایج شبکه‌های هوش مصنوعی در پیش‌بینی فشار شروع ته‌نشینی آسفالتین از مدل جامد ترمودینامیکی در نرم‌افزار (Winprop)ا CMG استفاده شده است. نتایج به دست آمده از مدل‌های هوش مصنوعی در پیش‌بینی فشار شروع ته‌نشینی آسفالتین طی کاهش فشار در حضور دی اکسید کربن نتیجه رضایت بخش‌تری نسبت به مدل جامد ترمودینامیکی دارد. نتایج این تحقیق نشان داد با توجه به ته‌نشینی آسفالتین طی کاهش فشار در حضور دی اکسید کربن و اثرات مخرب این پدیده، می‌توان با تکیه بر توانایی‌های شبکه‌های توسعه داده شده هوش مصنوعی و فراهم نمودن بانک اطلاعاتی از متغیرهای تأثیر گذار به صورت نظری، از ایجاد ته‌نشینی آسفالتین در فرآیند کاهش فشار در حضور دی‌اکسیدکربن در شرایط واقعی تا حدودی جلوگیری کرد.

کلیدواژه‌ها

عنوان مقاله [English]

Prediction of the Onset Pressure of Asphaltene Precipitation During Pressure Reduction Process in the Presence of Carbon Dioxide by Using Theories of Artificial Intelligence

نویسندگان [English]

  • Ehsan Khamehchi 1
  • Reza Behvandi 2
  • Seyed Vahid Yasrebi 1
1 Faculty of Petroleum Engineering, Amirkabir University of Technology
2 Faculty of Petroleum Engineering, Islamic Azad University: Science and Research Branch
چکیده [English]

Although CO2 injection is one of the most common methods in enhanced oil recovery, it could alter the fluid properties of oil and cause some problems such as asphaltene precipitation, reduced permeability of formation, production reduction, etc. Asphaltene onset pressure is especially important for the optimization of the miscible CO2 injection. The purpose of this research is to predict the onset pressure of asphaltene precipitation during pressure reduction process in the presence of carbon dioxide by using theories of artificial intelligence. The developed models include a software simulator called “Intelligent Proxy Simulator (IPS)” which is based on structure artificial neural networks. To evaluate the prediction of artificial intelligence networks at the onset pressure of asphaltene precipitation, a thermodynamic solid model using Winprop (CMG) software was employed. The results obtained by using artificial intelligence models in the prediction of the onset pressure of asphaltene precipitation during pressure reduction process in the presence of carbon dioxide are more accurate than that of the thermodynamic solid model

کلیدواژه‌ها [English]

  • Onset Pressure of Asphaltene Precipitation
  • CO2 Injection
  • Back Propagation Algorithm
  • Swarm Optimizing Algorithm

مراجع

مراجع
[1]. Asghari K., and Dong M., “Development of a Correlation Between Performance of CO2 Flooding and the Past Performance of Waterflooding in Weyburn Oil Field”, SPE Production and operations pp. 99789, 2007.
[2]. Peramanu S., Clarke P. F., and Pruden B. B., “Flow loop apparatus to study the effect of solvent temperature and additives on asphltene precipitation”, Vol. 23, Journal of Petroleum Science and Engineering, pp. 133-143, 1999
[3]. Hirschberg A., deJong L.N.J., Schipper B.A., and Meijer J.G., “Influence of temperature and pressure on asphaltene flocculation”, Vol. 24, SPE, 1984.
[4]. Srivastava, R. S., and Huang, S. S., “Asphaltene Deposition during CO2 Flooding: A Laboratory Assessment”, SPE, 1997.
[5]. Takahashi S., Hayashi Y., Yazawa N., and Sarma H. ,”Characteristicsand Impactof Asphaltene Precipitation during CO2 Sandstone and CarbonateCores:An Investigative Analysis through Laboratory Tests and CompositionalSimulation”, SPE International Improved Oil Recovery Conference , Asia Pacific, 2003.
[6]. Verdier S., Carrier H., Andersen S. I., and Daridon J. L., “Study of Pressure and Temperature Effects on Asphaltene Stability in Presence of CO2,” Energy Fuels 2006, pp 1584–1590, 2006
[7]. kokal S., Al-Ghamdi A., and Krinis D., Asphaltene Precipition in High Gas-Oil Ratio Wells, Saudi Aramco Journal of Technology, 2005
[8] منهاج، م.، مبانی شبکه‌های عصبی، جلد اول ، چاپ سوم، انتشارات دانشگاه صنعتی امیر کبیر،1384.
[9]. Abraham T. H., “(Physio) logical Circuits: The Intellectual Origins of the McCulloch–Pitts Neural Networks”, Journal of the History of the Behavioral Sciences , pp 3–25. 2002.
[10]. Hebb D.O., organization the behavior, 2th Ed, new York INC, 1949.
[11]. Rosenblatt F., A Probabilistic Model for Information Storage and Organization in the Brain, First edition,American Psychological Association,INC,1958.
[12]. Kennedy J., Eberhart R., “Particle Swarm Optimization, IEEE International Conference on Networks”, Piscataway, NJ, vol. 4, pp. 1942-1948, 1995
[13]. مرکز تحقیقات نفت تهران و مقالات مرتبط با تزریق دی اکسید کربن.
پژوهش نفت
دوره 22، شماره 71 - شماره پیاپی 71
مهر و آبان 1391
صفحه 81-91

فایل ها

هم رسانی

ارجاع به این مقاله

آمار