مطالعه موردی بر روی مدل سازی (GNNs) پیش بینی رفتار سیال با شبکه های عصبی گراف در مخازن شکافدار جریان سیالات چندفازی در مخازن غیرمتعارف مانند شیل با استفاده از هوش مصنوعی

مهندسی مخزن یکی از حیاتی ترین و پیچیده ترین رشته ها در صنعت نفت و گاز است که بقا بهره برداری بهینه و افزایش ضریب بازیافت مخازن هیدروکربنی را تضمین می کند. با توجه به افزایش پیچیدگی مخازن به ویژه مخازن غیر متعارف مانند شیل و نیاز به تصمیم گیری های سریع و دقیق، استفاده از ابزارهای سنتی شبیه سازی و تحلیل دیگر پاسخگوی نیازهای روزافزون نیست. هوش مصنوعی (AI) به ویژه یادگیری عمیق رویکردی انقلابی برای غلبه بر این محدودیت ها ارائه کرده است. این مقاله به بررسی جامع کاربردهای هوش مصنوعی در مهندسی مخزن می پردازد و تمرکز ویژه ای بر کاربرد شبکه های عصبی گراف (GNNs) در مدل سازی پیچیده جریان سیالات چندفازی در مخازن شکافدار دارد. GNNها به دلیل توانایی ذاتی در پردازش ساختارهای غیر منظم و شبکه ای مانند شبکه شکستگی ها و تخلخل های میکرو ماکرو در سنگ های غیر متعارف پتانسیل بالایی برای جایگزینی یا تقویت مدل های مبتنی بر دینامیک سیالات محاسباتی (CFD) و روش های اجزای محدود نشان داده اند. این پژوهش ساختار، چالش ها و مسیرهای آینده کاربرد هوش مصنوعی در افزایش دقت پیش بینی تولید، بهینه سازی عملیات حفاری و فرآیندهای ازدیاد برداشت (EOR) را مورد بحث قرار می دهد.

کلیدواژه ها:

هوش مصنوعی ، مهندسی مخزن ، یادگیری عمیق ، شبکه های عصبی گراف (GNN) ، مخازن غیر متعارف