جلوگیری از هرز رفت منابع مخازن هیدرو کربوری مشترک باهمسایگان به وسیله هوش مصنوعی

در این پایان نامه، روشی هوشمند و ابتکاری برای پیشگیری از هرزرفت منابع هیدروکربوری معرفی شده است. در این تحقیق، یک روش جدید و مبتنی بر هوش مصنوعی برای جلوگیری از هرزرفت منابع مخازن هیدروکربوری مشترک با همسایگان ارائه شده است. این روش با ترکیب شبکه عصبی کانولوشن یک بعدی (CNN) و شبکه عصبی LSTM، همراه با استفاده از الگوریتمهای فراابتکاری ترکیبی موازی، قابلیت پیشبینی دقیق و سریع هرزرفت را فراهم کرده است. این روش با ترکیب شبکه عصبی کانولوشن یک بعدی (CNN) و شبکه عصبیLSTM ، همراه با استفاده از الگوریتمهای فراابتکاری ترکیبی موازی، قابلیت پیشبینی دقیق و سریع هرزرفت را فراهم کرده است. در این تحقیق، از یک مجموعه داده شامل ۱۰۰۰ نمونه استفاده شده است .این مجموعه داده شامل اطاعات مربوط به پارامترهای مخازن هیدروکربوری، مانند فشار، دما، نفوذپذیری و غیره، میباشد .این اطاعات برای آموزش و ارزیابی مدل پیشنهادی استفاده شده است. نتایج تحقیق نشان داد که روش پیشنهادی با دقت طبقه بندی ۹۳%، توانایی تعیین نفوذپذیری ۸۵% و کاهش زمان شبیه سازی ۲۰% میتواند بهبود و کارایی بیشتری در جلوگیری از هرزرفت منابع مخازن هیدروکربوری ایجاد کند. براساس نتایج به دست آمده، روش پیشنهادی نه تنها دقت طبقه بندی ۹۳% و توانایی تعیین نفوذپذیری ۸۵% را داشته، بلکه زمان شبیهسازی را نیز ۲۰% کاهش داده است. این روش با دقت و سرعت بااتر نسبت به روشهای دیگر مانندSVM ، Decision Trees، K-Nearest NeighborsوNaive Bayes ، میتواند به عنوان یک راه حل موثر برای مدیریت و پیشگیری از هرزرفت منابع هیدروکربوری مورد استفاده قرار گیرد و به مهندسان و مدیران مخازن هیدروکربوری در اتخاذ تصمیمات بهتر و بهبود استراتژیهای خود کمک کند.

کلیدواژه ها:

هرزرفت ، منابع هیدروکربوری ، شبکه عصبی ، دقت ، نفوذپذیری