شبیه‌سازی داده‌محور یک میدان نفتی فرضی و مقایسه نتایج با شبیه‌سازی عددی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه صنعتی شریف، دانشکده مهندسی شیمی و نفت، تهران، ایران

2 دانشکده مهندسی شیمی و نفت، دانشگاه صنعتی شریف، تهران، ایران

10.22078/pr.2025.5524.3456

چکیده

شبیه‌سازی داده‌محور مخزن روشی نوین در امر مدل‌سازی مخازن است که مکمل و یا حتی جایگزین روش‌های عددی مدل‌سازی مخازن است. این روش که به مدل‌سازی بالا به پایین هم شناخته می‌شود با استفاده از هوش مصنوعی و به شکل خاص از یادگیری عمیق استفاده می‌کند و با توجه به ماهیت این ابزارها نیازمند به داده‌هایی است که در صنعت نفت و گاز از اندازه‌گیری‌های میدانی چه برای چاه و چه برای مخزن به دست می‌آیند. روش‌های عددی مرسوم با استفاده از مدل‌سازی‌های عددی و فهم کنونی که از فیزیک حاکم بر جریان سیال در محیط متخلخل وجود دارد، فرایند شبیه‌سازی را انجام می‌دهند.
در این تحقیق تلاش شده است که برای یک مورد میدان فرضی در نرم‌افزار پترل مدل‌سازی انجام شود و سپس از داده‌های خروجی از این نرم‌افزار به عنوان ورودی برای شبیه‌سازی مدل بالا به پایین مدنظر با استفاده از زبان برنامه‌نویسی پایتون استفاده گردیده و پس از ساخت سه مدل داده‌محور به ترتیب برای فشار متوسط مخزن، اشباع متوسط آب مخزن و تولید گاز هر چاه در نهایت عملکرد مدل‌ ساخته‌شده با استفاده از یادگیری ماشین سنجیده شود. خروجی‌های مدل داده‌محور می‌توانند تمام آن چیزهایی باشند که در مدل‌های عددی انتظار می‌رود اما در این تحقیق به خروجی‌های مذکور بسنده شده است. به عبارت دیگر تلاش خواهد شد که مدل داده‌محور، فیزیک حاکم بر جریان سیال را از طریق داده‌های اندازه‌گیری شده متوجه شود و در طول این فرایند با استفاده از اطلاعات دو سال ابتدایی تولید از میدان، تطبیق تاریخچه انجام شده است و برای مدل فشار متوسط مخزن، درصد اشباع آب متوسط میدان و تولید گاز، ضریب تعیین به ترتیب ۹۸۰۲/۰، ۹۷/۰ و ۹۸۷/۰ محاسبه شده است. همچنین برای سال سوم پیش‌بینی انجام خواهد شد و نتیجه‌ی به دست آمده از مدل‌های داده‌محور با نتایج به دست آمده توسط شبیه‌ساز عددی مقایسه می‌گردد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Data-driven simulation of a hypothetical oil field and comparison of results with numerical simulation

نویسندگان [English]

  • Mahdi Rashnoo 1
  • Saeid Jamshidi 2
1 Faculty of Chemical and Petroleum Engineering, Sharif Univeristy of Technology, Tehran, Iran
2 Faculty of Chemical and Petroleum Engineering, Sharif university of Technology, Tehran, Iran
چکیده [English]

Data-driven reservoir simulation is a novel approach in reservoir modeling that complements or even replaces traditional numerical modeling methods. This method, also known as top-down modeling, utilizes artificial intelligence, specifically deep learning, and due to the nature of these tools, it requires data obtained from field measurements in the oil and gas industry, both for wells and reservoirs. Traditional numerical methods perform the simulation process using numerical modeling and the current understanding of the physics governing fluid flow in porous media.
In this research, efforts have been made to model a hypothetical field using PETREL software, and then use the output data from this software as input for the desired top-down modeling using the Python programming language. After constructing three data-driven models for average reservoir pressure, average water saturation in the reservoir, and gas production from each well, the performance of the constructed models will finally be evaluated using machine learning. The outputs of the data-driven model can include all that is expected in numerical models; however, in this research, only the mentioned outputs have been considered. In other words, the goal is for the data-driven model to understand the physics governing fluid flow in the porous medium through the measured data. During this process, history matching has been performed using the production data from the first two years of the field. The R2 score for the average reservoir pressure model, the average field water saturation, and gas production has been calculated as 0.9802, 0.97, and 0.987, respectively. A forecast for the third year will also be made and results obtained from the data-driven models will be compared with the results obtained by the numerical simulator.

کلیدواژه‌ها [English]

  • Top-Down modeling
  • Data-driven
  • numerical methods
  • deep learning
  • reservoir