|
Title
|
پيش بيني رفتار توليدي يك چاه در مخازن نفتي: تجزيه و تحليل داده هاي توليد با استفاده از منحني هاي افت دبي و روش هاي هوشمند
|
|
Type
|
Thesis
|
|
Keywords
|
Production data, Arp’s equation, Decline curve, Intelligent methods, Reservoir production behavior
|
|
Abstract
|
پيشبيني توليد چاههاي نفتي نقش مهمي در برنامهريزي توسعهي ميدان، تصميمگيريهاي اقتصادي و مديريت بهينه ي مخازن هيدروكربوري دارد. روشهاي كلاسيك، از جمله تحليل منحني افت توليد بر پايهي مدل آرپس، با وجود سادگي و كاربرد گسترده، در مدلسازي رفتارهاي پيچيدهي مخزن و نوسانات توليد محدوديتهايي دارند. در اين پژوهش، بهمنظور افزايش دقت پيشبيني، از تركيبي از روشهاي تحليلي و دادهمحور استفاده شده است .در مرحله ي نخست، تحليل افت توليد چاهها با استفاده از نرم افزار مهندسي بهرهبرداري ProMate و بر اساس مدل آرپس انجام شد. سپس، مدل داده محور مبتني بر شبكه عصبي حافظه ي بلندمدت توسعه يافت تا روند واقعي توليد با دقت بالاتري بازسازي شود. داد ههاي ورودي شامل تاريخچ هي توليد روزانه چاهها بوده و پس از پيشپردازش، نرمالسازي و تفكيك به مجموعههاي آموزشي، اعتبارسنجي و آزمون، در فرآيند آموزش مدل به كار گرفته شدند .مقايسه ي نتايج دو مدل نشان داد كه مدل شبكه عصبي حافظه بلندمدت در پيشبيني نرخ توليد عملكرد دقيقتري دارد. مقادير شاخصهاي آماري شامل ميانگين مربعات خطا 4×10⁴ ، ميانگين قدر مطلق خطا 6×10² ، و ريشه ي ميانگين مربعات خطا 7×10¹ ، برتري مدل دادهمحور نسبت به مدل آرپس را نشان ميدهد. در مجموع، نتايج اين پژوهش حاكي از آن است كه ب هكارگيري تركيبي از رو شهاي تحليلي كلاسيك و الگوريت مهاي يادگيري عميق، ضمن كاهش خطاي پيشبيني، ابزار مؤثري براي تحليل و مدلسازي رفتار توليد چاههاي نفتي فراهم ميكند
|
|
Researchers
|
zahra hseinpour (Student) , Abolfazl Dehghan Monfarad (First primary advisor)
|