توسعه شبکه عصبی مصنوعی مبتنی بر الگوریتم ژنتیک به منظور پیش‌بینی آزمایش‌های PVT چاه‌های نفت در صنایع بالادستی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 روه مهندسی فناوری و اطلاعات، دانشکده فنی و مهندسی، دانشگاه تربیت مدرس، تهران، ایران

2 بخش مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه تربیت مدرس، تهران، ایران

چکیده

در مرحله صیانت از مخازن نفتی صنایع بالادستی، آزمایش‌های پیچیده‌ای موسوم به PVT برای شناسایی خواص سیالات مخزن انجام می‌گیرد. وجود مشکلاتی 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 مشکلات مذکور و یافتن رابطه پیچیده و غیرخطی داده‌های آزمایش‌های‌ PVT از شبکه عصبی مصنوعی بهره گرفته شده است. همچنین، از الگوریتم ژنتیک به منظور تعیین مقادیر بهینه پارامترهای مدل شبکه‌ عصبی در فرآیند آموزش استفاده شده است. به منظور ارزیابی رویکرد توسعه یافته از مجموعه داده‌های چاه‌های نفتی جنوب ایران بهره گرفته شد و نتایج حاصل نشان می‌دهد که استفاده از شبکه عصبی مصنوعی مبتنی بر الگوریتم ژنتیک، برخلاف روش‌های کلاسیک، در زمان کمتر و با دقت بالایی خواص سیالات مخزن (ضریب حجمی سیال و فشار نقطه حباب) را پیش‌بینی می‌نماید. در نتیجه، کارشناسان و مدیران صنایع بالادستی مخازن نفتی ایران می‌توانند از شبکه عصبی پیشنهادی در راستای پیش‌ینی آزمایش‌های PVT بهره گیرند.
 

کلیدواژه‌ها

عنوان مقاله [English]

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

نویسندگان [English]

  • Mohsen Eslamnezhad 1
  • Hossein Akbaripour 2
  • Mohammad Reza Amin Naseri 2
1 Iformation Technology Department, Tarbiat Modares University, Tehran, Iran
2 Industrial Engineering Department, Tarbiat Modares University, Tehran, Iran
چکیده [English]

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.
 

کلیدواژه‌ها [English]

  • Upstream Oil Industries
  • Preservation of Oil Wells
  • PVT Experiments
  • Artificial Neural Network
  • Genetic Algorithm

مراجع

[1]. صیرفیان ع.، زمین شناسی نفت، نشر سمر، 1386.##
[2]. علی مددی ا.، کاربرد سیستم‌های هوشمند در صنایع بالادستی صنعت نفت، پایان‌نامه کارشناسی‌ارشد، دانشگاه بوعلی سینا، ایران، 1391.##
[3]. Asadisaghanid J. and Tahmasebi P., “Comparative evaluation of back-propagation neural network learning algorithms and empirical correlations for prediction of oil PVT properties in Iran oilfields,” Petroleum Science and Engineering, Vol. 78, pp. 464-475, 2011.##
[4]. Mohaghegh S. D., “Recent developments in application of artificial intelligence in petroleum engineering,” J. Pet. Technol., Vol. 78, pp. 86–91, 2005.##
[5]. Mohaghegh S. D., “Virtual intelligence applications in petroleum engineering: Part 2—evolutionary computing,” J. Pet. Technol., Vol. 52, pp. 40-46, 2000.##
[6]. Weiss W. W., Balch R. S., and Stubbs B. A., “How artificial intelligence methods can forecast oil production,” SPE/DOE Improved Oil Recovery Symposium, Tulsa, 2002.##
[7]. Al-Fattah S. M. and Startzman R. A., “Predicting natural-gas production using artificial neural network,” SPE Hydrocarbon Economics and Evaluation Symposium, Dallas, Texas, 2001.##
[8]. Moghadassi A. R., Parvaizian F., Hosseini S. M., and Fazlali A. R., “A new approach for estivation of PVT Properties of pure gazes based on artificial neural network model,” Brazilian Journal of chemical Egnineering, Vol. 26, pp. 199-206, 2009.##
[9]. Zambrano G., “Development of neural network models for the prediction of dew point pressure of retrograde gases and saturated oil viscosity of black oil systems,” Masters thesis, Texas A & M University, USA, 2002.##
[10]. Bozorgmehry R. B., Abdolahi F., and Moosavian M. A., “Characterization of basic properties for pure properties for pure substances and petroleum fractions by neural network,” Fluid phase equilibria, Vol. 231, pp. 188-196, 2005.##
[11]. Dehghani M. R., Modarress H., and Bakhshi A., “Modeling and prediction of activity coefficient ratio of electrolytes in aqueous electrolyte solution containing amino acids using artificial neural network,” Fluid phase equilibria, Vol. 244, pp. 153-159, 2006.##
[12]. Ganguly S., “Prediction of VLE data using radial basis function network,” Computers and chemical engineering, Vol. 27, pp. 1445-1454, 2003.##
[13]. Sozen A., Arcakilioglu E., and Ozalp M., “Formulation based on artificial neural network of thermodynamic properties of ozone friendly refrigerant/absorbent couples,” Applied thermal engineering, Vol. 25, pp. 1808-1820, 2005.##
[14]. Biglin M., “Isobaric vapor-liquid equilibrium calculations of binary systems using a neural network,” J. Serb. Chem. Soc., Vol. 69, pp. 669-674, 2004.##
[15]. Gharbi R. B. and Elsharkawy A. M., “Neural-network model for estimating the PVT properties of Middle East crude oils,” SPE Middle East Oil Show and Conference, Bahrain, 1997.##
[16]. Elsharkawy A. M., “Modeling the properties of crude oil and gas systems Using RBF network,” SPE Asia Pacific Oil and Gas Conference, Perth, Australia, 1998.##
[17]. Varotsis N., Gaganis V., Nighswander J., and Guieze P., “A novel non-iterative method for the prediction of the PVT behavior of reservoir fluids,” SPE Annual Technical Conference and Exhibition, Houston, Texas, 1999.##
[18]. Gharbi R. B. and Elsharkawy A. M., “Universal neural-network model for estimating the PVT properties of crude oils,” SPE Asia Pacific Oil & Gas Conference, Kuala Lumpur, Malaysia, 1999.##
[19]. Osman E. A., Abdel-Wahhab O. A., and Al-Marhoun M. A., “Prediction of oil properties using neural networks,” SPE Middle East Oil Show Conference, Bahrain, 2001.##
[20]. Al-Marhoun M. A. and Osman E. A., “Using artificial neural networks to develop new PVT correlations for saudi crude oils,” Abu Dhabi, United Arab Emirates, 2002.##
[21]. Eissa M., Shokir El-M., Goda Hussam M.,. Fattah Khaled A., and Sayyouh Mohamed H., “Modeling approach for predicting PVT data,” Engineering Journal of the University of Qatar, vol. 17, pp. 11-28, 2004.##
[22]. Omole O., Falode O. A., and Deng D. A., “Prediction of Nigerian crude oil viscosity using artificial neural network,” Petroleum & Coal, Vol. 51, pp. 181-188, 2009.##
[23]. Ahmed T., “Hydrocarbon phase behavior,” Vol. 7, Houston, TX: Gulf Publishing Company, 1989##
[24]. Vasquez A. and Beggs H. D., “Correlation for Fluid Physical Property Predictior,” Journal of Petroleum Technology, Vol. 32, No 6, 1980.##
[25]. Petrosky G. E., Farshad F., “Pressure-volume-temperature correlations for gulf of mexico crude oils,” SPE Res. Eval. & Eng., Vol. 1, No.5, pp. 416-420, 1998..##

فایل ها

هم رسانی

ارجاع به این مقاله

آمار