ابوالفضل دهقان منفرد

پیشبینی تولید چاههای نفتی نقش مهمی در برنامهریزی توسعهی میدان، تصمیمگیریهای اقتصادی و مدیریت بهینه ی مخازن هیدروکربوری دارد. روشهای کلاسیک، از جمله تحلیل منحنی افت تولید بر پایهی مدل آرپس، با وجود سادگی و کاربرد گسترده، در مدلسازی رفتارهای پیچیدهی مخزن و نوسانات تولید محدودیتهایی دارند. در این پژوهش، بهمنظور افزایش دقت پیشبینی، از ترکیبی از روشهای تحلیلی و دادهمحور استفاده شده است .در مرحله ی نخست، تحلیل افت تولید چاهها با استفاده از نرم افزار مهندسی بهرهبرداری ProMate و بر اساس مدل آرپس انجام شد. سپس، مدل داده محور مبتنی بر شبکه عصبی حافظه ی بلندمدت توسعه یافت تا روند واقعی تولید با دقت بالاتری بازسازی شود. داد ههای ورودی شامل تاریخچ هی تولید روزانه چاهها بوده و پس از پیشپردازش، نرمالسازی و تفکیک به مجموعههای آموزشی، اعتبارسنجی و آزمون، در فرآیند آموزش مدل به کار گرفته شدند .مقایسه ی نتایج دو مدل نشان داد که مدل شبکه عصبی حافظه بلندمدت در پیشبینی نرخ تولید عملکرد دقیقتری دارد. مقادیر شاخصهای آماری شامل میانگین مربعات خطا 4×10⁴ ، میانگین قدر مطلق خطا 6×10² ، و ریشه ی میانگین مربعات خطا 7×10¹ ، برتری مدل دادهمحور نسبت به مدل آرپس را نشان میدهد. در مجموع، نتایج این پژوهش حاکی از آن است که ب هکارگیری ترکیبی از رو شهای تحلیلی کلاسیک و الگوریت مهای یادگیری عمیق، ضمن کاهش خطای پیشبینی، ابزار مؤثری برای تحلیل و مدلسازی رفتار تولید چاههای نفتی فراهم میکند