|
Title
|
بررسي و پيش بيني تراوايي نسبي سيستم دوفازي گاز كربن دي اكسيد-آب: مطالعه پارامتري و رويكردهاي مدل سازي
|
|
Type
|
Thesis
|
|
Keywords
|
Relative permeability, machine learning, CatBoost, KNN, Random Forest, K-Fold Cross-Validation, features
|
|
Abstract
|
تراوايي نسبي به عنوان يكي از پارامترهاي كليدي در تحليل جريان چندفازي در مخازن هيدروكربني، نقش مهمي در شبيه سازي و بهينه سازي فرآيندهاي تزريق و توليد دارد و در حوزه ذخيره سازي دي اكسيدكربن نيز از اهميت ويژه اي برخوردار است. فناوري خيره سازي و جداسازي دي اكسيدكربن (CCS) به عنوان يكي از رويكردهاي نوين كاهش انتشار گازهاي گلخانه اي، مستلزم شناخت دقيق رفتار جريان اين گاز در محيط هاي متخلخل است. در اين پژوهش، بررسي و پيش بيني تراوايي نسبي در سيستم دوفازي گاز دي اكسيدكربن-آب با بهره گيري از رويكردهاي مدل سازي مبتني بر يادگيري ماشين انجام گرفته است. داده هاي مخزني با ويژگي هاي فيزيكي و شيميايي استخراج و پس از غربال سازي به مجموعه هاي آموزش و آزمون تقسيم شدند. سه الگوريتم KNN، Random Forest و CatBoost براي مدل سازي انتخاب و با روش اعتبارسنجي متقاطع K-Fold بهينه سازي شدند. نتايج نشان داد كه CatBoost بهترين عملكرد را در پيش بيني تراوايي نسبي ارائه مي دهد و ميزان خطاي آن در داده هاي آموزش و آزمون كمتر از دو مدل ديگر است. تحليل اهميت ويژگي ها نيز آشكار ساخت كه اشباع دي اكسيدكربن، تخلخل و فشار و دما بيشترين تأثير را در نتايج مدل دارند. يافته هاي اين تحقيق نشان مي دهد كه بهره گيري از الگوريتم هاي پيشرفته يادگيري ماشين، به ويژه CatBoost، مي تواند دقت پيش بيني تراوايي نسبي را به طور چشمگيري ارتقا داده و در بهبود شبيه سازي فرآيند ذخيره سازي زيرزميني دي اكسيدكربن نقش آفرين باشد.
|
|
Researchers
|
fahimeh salimi (Student) , Abolfazl Dehghan Monfarad (First primary advisor)
|