مدل مبتنی بر یادگیری عمیق برای پیش بینی عملکرد شکاف اسیدی در مخازن شکافدار طبیعی

یکی از مهمترین اهداف شرکتهای تولید کننده نفت، افزایش حداکثری ضریب بازیافت مخازن نفتی و بهبود تولیدبا لحاظ نمودن تولید صیانتی میباشد. رسیدن به این هدف نیازمند استفاده از تکنولوژی های جدید و روش هایفناورانه می باشد. شکاف اسیدی یکی از موثرترین تکنیکها برای بهبود بهره وری مخازن کربناته شکافدار طبیعیاست. شکاف های طبیعی (NFs) تاثیر قابل توجهی بر طراحی و عملکرد بهبود شکاف اسیدی دارد. رویکردهای مختلفی برای تخمین اثربخشی تحریکات شکاف اسیدی موجود است. با این وجود، تعداد کمی از مدلها تاثیر NFs را بر بهبود شکاف اسیدی در نظر گرفته اند. این مطالعه، یک مدل محاسباتی کارآمد برای ارزیابی راندمان شکاف اسیدی در مخازن با شکاف طبیعی با استفاده از تکنیک های مبتنی بر هوش مصنو عی ارائه میکند. همچنیناین مطالعه به طور انحصاری بر روی استفاده از شبکه های عصبی عمیق (DNN) برای بهینه سازی پیش بینی بهبود بهره وری جهت بهبود شکاف اسیدی در مخازن شکاف دار طبیعی تمرکز دارد. نتایج به دست آمده از مدل DNN بهینه سازی شده، پیشرفت قابل توجهی در عملکرد پیش بینی در مقایسه با روشهای قبلی نشان میدهد.