استفاده از شبکه عصبی جهت پیش بینی حداقل فشار امتزاج پذیری در تزریق کربن دی اکسید به یکی از مخازن نفتی
- سال انتشار: 1399
- محل انتشار: اولین کنفرانس ملی داده کاوی در علوم زمین
- کد COI اختصاصی: EARTHSCI01_068
- زبان مقاله: فارسی
- تعداد مشاهده: 552
نویسندگان
دانشجوی کارشناسی ارشد ، دانشگاه صنعتی سهند تبریز ، تبریز ، ایران،
دانشجوی کارشناسی ارشد ، دانشگاه تربیت مدرس ، تهران ، ایران،
چکیده
تزریق امتزاجی گاز (Miscible Gas Injection) یکی از مهمترین روشهای ازدیاد برداشت نفت است که کاربرد آن جهت تولید بیشتر نفت مخازن، در جهان رو به افزایش است. هدف از فرآیند تزریق سیال به مخزن آن است که جا به جایی نفت مخزن توسط یک سیال امتزاج پذیر با نفت صورت پذیرد. سیال گاز تزریقی با نفت مخزن اختلاط یافته و بازیافت نفت از مخزن را به شکل چشمگیری افزایش میدهد. طراحی موفق عملیات تزریق کربن دی اکسید به مخزن نفتی وابسته به پیش بینی دقیق حداقل فشار امتزاج پذیری است. این فشار، حداقل فشاری است که چنانچه دی اکسید کربن تحت آن فشار به مخزن تزریق گردد، فرآیند امتزاج گاز و نفت به طور قطع صورت می پذیرد. محاسبه دقیق حداقل فشار امتزاجی (Minimum Miscibility Pressure) همواره یکی از چالشهای عملیاتی مطرح در فرآیند تزریق گاز به مخزن با هدف افزایش تولید نفت محسوب می گردد؛ چرا که فشار تزریقی کمتر از حداقل فشار مورد نیاز جهت امتزاج، عملا بهره دهی فرآیند را مختل نموده و همچنین تزریق در فشارهای بالاتر از حد نیاز نیز به لحاظ اقتصادی توجیه پذیر نبوده و به لحاظ عملیاتی مشکلات زیادی را به همراه خواهد داشت. بنابراین در این تحقیق با استفاده از هوش مصنوعی و شبکه عصبی (Neural Network) مدلی برای پیش بینی حداقل فشار امتزاجی برای مخازن با دما و ترکیبات مختلف نفتی طراحی شد. در این مدل از دما و وزن مولکولی C۵+ به عنوان ورودی استفاده شده است. صحت مدل با استفاده از مقایسه نتایج بدست امده با اطلاعات ازمایشگاهی و روابط تجربی سنجیده شده و مقدار خطای کمتری دارد. در نتیجه با استفاده از این مدل می توان حداقل فشار امتزاجی را با دقت بالا حتی در زمانی که داده های ازمایشگاهی موجود نباشند، پیش بینی کرد.کلیدواژه ها
حداقل فشار امتزاج پذیری، هوش مصنوعی، شبکه عصبی، ازدیاد برداشت نفتمقالات مرتبط جدید
- حکمرانی دریایی ایران به عنوان یک سیستم پیچیده: تحلیل جغرافیای سیاسی با رویکرد هوش مصنوعی و هوش مکانی
- تبیین سناریوهای آینده تقسیمات استان تهران
- آسیبشناسی حمل و نقل و مدیریت ترافیک در شهرداری های نوظهور ایران
- معایب و مشکلات برنامهریزی و سیاست گذاری حوزه فرهنگ شهری در ایران
- سیاست گذاری بهینه در حوزه ترافیک شهری با استفاده از تکنولوژی های هوش مصنوعی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.