غربال‌گری روش‌های ازدیادبرداشت از مخازن نفتی با استفاده از تلفیق روش‌های هوش‌مصنوعی

Abstract

تصمیم‌گیری در انتخاب یک یا چند روش ازدیادبرداشتی از میان روش‌های مختلف، یکی از مراحل حیاتی در فرآیند توسعه میادین نفتی به‌شمار می‌رود. انتخاب درست روش افزایش‌برداشت نقش کلیدی در موفقیت فنی و اقتصادی پروژه‌های کلان در صنعت نفت دارد. معمولاً برای غربال‌گری و اتخاذ تصمیم مناسب در خصوص تعیین روش‌های کاندیدای پیاده‌سازی افزایش‌برداشت یک مخزن از پارامترهای متعددی همچون، میزان ظرفیت ذخیره مخزن، قابلیت انتقال و عبوردهی سیال، عمق مخزن، ضخامت لایه نفتی، دمای مخزن و گرانروی نفت تأثیرگذار می‌باشند. هدف و رویکرد اصلی این پژوهش، تلفیق روش‌های هوش مصنوعی شامل: 1- سیستم‌های منطق فازی (مبتنی بر دانش انسانی) و 2- شبکه عصبی مصنوعی (داده محور) به‌عنوان یک ابزار و راه‌کار مناسب در کاهش عدم قطعیت و غربال‌گری روش‌های ازدیادبرداشتی استفاده کرد.در این مطالعه از داده‌های تاریخچه ازدیاد برداشت مخازن مختلف در سطح دنیا برای تعریف مجموعه‌های فازی و تعیین قوانین فازی بین متغیرهای ورودی و خروجی استفاده و در نهایت یک مدل فازی ارائه گردید. با توجه به عدم توازن در فراوانی و تعداد برچسب برخی از کلاس‌ها، طراحی آزمایش و روش سطح پاسخ به‌عنوان یک راه‌کار برای آماده‌سازی داده‌های ورودی برای مدل شبکه عصبی تک لایه استفاده گردید. مدل شبکه عصبی پیش خور با معماری 20 نرون، تابع فعال‌سازی سیگموئیدی در لایه مخفی و عملکرد مدل با ضریب همبستگی 95 و 92% به‌ترتیب برای داده آموزش و صحت‌سنجی، برای تعیین و غربال‌گری روش‌های ازدیادبرداشت میادین نفتی استفاده گردید. در نهایت با استفاده از استراتژی الویت‌بندی و تلفیق نتایج روش‌های مختلف، الویت کاندیدهای مناسب ازدیادبرداشت تعیین گردید.

Keywords

• غربال‌گری
• ازدیادبرداشت
• هوش مصنوعی
• منطق‌فازی
• طراحی آزمایش