دفاعیه دکتری در دانشکده مهندسی شیمی ، نفت و گاز
| تاریخ ارسال: 1398/8/14 |
چکیده
هدف این رساله توسعه یک مدل داده محور هوش مصنوعی بمنظور غربالگری یکپارچه روشهای ازدیاد برداشت میباشد. فرآیند تولید مدل یکپارچه داده محور غربالگری در سه مرحله (یا فاز) انجام می‌گردد. در مرحله اول این تحقیق (فاز اول)، یک مدل اولیه غربالگری بر مبنای جدول غربالگری بروز شده و مدل وزن دهنی پارامترها بعنوان ورودی توسعه داده شده است. روش استفاده شده در فاز اول براساس دیدگاه ترکیبی فازی و ماشین بردار پشتیبان میباشد. جدول غربالگری بروز شده بعنوان یکی از ورودی مدل فاز اول بر اساس مبانی و دادههای جمع آوری شده از مجله OGJ و سایر مقالات و پردازش آنها تهیه شده است. پردازش شامل ارزیابی دادهها، شناسایی داده های پرت و خلاصهسازی آنها میباشد. پس از پردازش تکمیلی داده ها، جدول بروز شده غربالگری برای 18 روش ازدیاد برداشت ارائه می‌گردد. جدول غربالگری شامل رنج و میانگین اصلاح شده پارامترهای اصلی مخزن میباشد. مدل پیش بینی وزنی بمنظور افزایش دقت روش منطق فازی اعمال شده است و هدف آن پیش بینی تاثیر وزنی پارامترهای غربالگری در روشهای ازدیاد برداشت بصورت جداگانه میباشد. براساس مدل غربالگری اولیه (یک مدل فازی – ماشین بردار پشتیبان)، درصد موفقیت فرآیند ازدیاد برداشت در یک مخزن بصورت کمی و با دقت مطلوب ارائه می‌گردد و نتایج در مقایسه با نرم افزار EORgui و مجله OGJ خطای کمتر از 10% را نشان میدهد. در فاز دوم غربالگری (مدل ثانویه)، یک مدل شبیه ساز داده محور مخزن بمنظور پیشبینی عملکرد روشهای ازدیاد برداشت (بویژه تزریق گاز امتزاجی) توسعه داده می‌شود. در این مرحله ابتدا، پیش بینی پارامتر MMP(بعنوان یکی از ورودی مدل شبیهساز داده محور) توسط یک مدل ماشین بردار پشتیبان بهینه شده ارائه گردیده است. نتایج مدل پیش بینی MMP با چندین رابطه تجربی مقایسه شده و خطای در حدود 2.3% را نشان میدهد. در نهایت مدل غربالگری ثانویه براساس دادههای شبیه سازی تجاری و مدل MMP آموزش و توسعه داده می‌شود. خطای نتایج مدل داده محور شبیه ساز مخزن در مقایسه با شبیه ساز تجاری کمتر از 8.9% میباشد. همچنین روش تحلیل مولفه اصلی برای کاهش ابعاد داده های ورودی در مدل شبیه ساز مخزن بکار گیری شده است که در برخی موارد تا 4.65% میزان خطا را کاهش داده است. در مرحله نهایی فرآیند غربالگری (فاز سوم)، بررسی و تحلیل تغییرات احتمالی نتایج مدل داده محور مخزن (فاز دوم غربالگری) ناشی از عدم قطعیت در داده های میدان هیدروکربوری (بویژه تخلخل و نفوذ پذیری) انجام گردیده است. تحلیل عدم قطعیت در کنار محاسبات اقتصادی باعث افزایش دقت نتایج فرآیند غربالگری یکپارچه شده است. در نهایت نتایج بدست آمده در بخش غربالگری اولیه، ثانویه و ثالثیه (DDSM) با دادههای واقعی مورد مقایسه قرار گرفته است. مدل، عملکرد مناسبی را نسبت به نرم افزارهای مشابه مانند EORGui و دادههای واقعی نشان میدهد بطوریکه در برخی از داده های ارزیابی، نتایج مدل DDSM نسبت به نرم افزار EORGui برتری نشان میدهد و با داده های میدان واقعی همخوانی کامل دارد. در خصوص مدل پیش بینی ضریب ازدیاد برداشت و وزن پارامترهای مخزن خطا بین 3.7-13.5 درصد میباشد و خطای مدل شبیه ساز یک بعدی، دو بعدی و سه بعدی بین 0.9-8.9 درصد محاسبه شده است.
واژه‌های کلیدی: هوش مصنوعی، غربالگری روشهای ازدیاد برداشت، منطق فازی، ماشین بردار پشتیبان، مدل داده محور.
هدف این رساله توسعه یک مدل داده محور هوش مصنوعی بمنظور غربالگری یکپارچه روشهای ازدیاد برداشت میباشد. فرآیند تولید مدل یکپارچه داده محور غربالگری در سه مرحله (یا فاز) انجام می‌گردد. در مرحله اول این تحقیق (فاز اول)، یک مدل اولیه غربالگری بر مبنای جدول غربالگری بروز شده و مدل وزن دهنی پارامترها بعنوان ورودی توسعه داده شده است. روش استفاده شده در فاز اول براساس دیدگاه ترکیبی فازی و ماشین بردار پشتیبان میباشد. جدول غربالگری بروز شده بعنوان یکی از ورودی مدل فاز اول بر اساس مبانی و دادههای جمع آوری شده از مجله OGJ و سایر مقالات و پردازش آنها تهیه شده است. پردازش شامل ارزیابی دادهها، شناسایی داده های پرت و خلاصهسازی آنها میباشد. پس از پردازش تکمیلی داده ها، جدول بروز شده غربالگری برای 18 روش ازدیاد برداشت ارائه می‌گردد. جدول غربالگری شامل رنج و میانگین اصلاح شده پارامترهای اصلی مخزن میباشد. مدل پیش بینی وزنی بمنظور افزایش دقت روش منطق فازی اعمال شده است و هدف آن پیش بینی تاثیر وزنی پارامترهای غربالگری در روشهای ازدیاد برداشت بصورت جداگانه میباشد. براساس مدل غربالگری اولیه (یک مدل فازی – ماشین بردار پشتیبان)، درصد موفقیت فرآیند ازدیاد برداشت در یک مخزن بصورت کمی و با دقت مطلوب ارائه می‌گردد و نتایج در مقایسه با نرم افزار EORgui و مجله OGJ خطای کمتر از 10% را نشان میدهد. در فاز دوم غربالگری (مدل ثانویه)، یک مدل شبیه ساز داده محور مخزن بمنظور پیشبینی عملکرد روشهای ازدیاد برداشت (بویژه تزریق گاز امتزاجی) توسعه داده می‌شود. در این مرحله ابتدا، پیش بینی پارامتر MMP(بعنوان یکی از ورودی مدل شبیهساز داده محور) توسط یک مدل ماشین بردار پشتیبان بهینه شده ارائه گردیده است. نتایج مدل پیش بینی MMP با چندین رابطه تجربی مقایسه شده و خطای در حدود 2.3% را نشان میدهد. در نهایت مدل غربالگری ثانویه براساس دادههای شبیه سازی تجاری و مدل MMP آموزش و توسعه داده می‌شود. خطای نتایج مدل داده محور شبیه ساز مخزن در مقایسه با شبیه ساز تجاری کمتر از 8.9% میباشد. همچنین روش تحلیل مولفه اصلی برای کاهش ابعاد داده های ورودی در مدل شبیه ساز مخزن بکار گیری شده است که در برخی موارد تا 4.65% میزان خطا را کاهش داده است. در مرحله نهایی فرآیند غربالگری (فاز سوم)، بررسی و تحلیل تغییرات احتمالی نتایج مدل داده محور مخزن (فاز دوم غربالگری) ناشی از عدم قطعیت در داده های میدان هیدروکربوری (بویژه تخلخل و نفوذ پذیری) انجام گردیده است. تحلیل عدم قطعیت در کنار محاسبات اقتصادی باعث افزایش دقت نتایج فرآیند غربالگری یکپارچه شده است. در نهایت نتایج بدست آمده در بخش غربالگری اولیه، ثانویه و ثالثیه (DDSM) با دادههای واقعی مورد مقایسه قرار گرفته است. مدل، عملکرد مناسبی را نسبت به نرم افزارهای مشابه مانند EORGui و دادههای واقعی نشان میدهد بطوریکه در برخی از داده های ارزیابی، نتایج مدل DDSM نسبت به نرم افزار EORGui برتری نشان میدهد و با داده های میدان واقعی همخوانی کامل دارد. در خصوص مدل پیش بینی ضریب ازدیاد برداشت و وزن پارامترهای مخزن خطا بین 3.7-13.5 درصد میباشد و خطای مدل شبیه ساز یک بعدی، دو بعدی و سه بعدی بین 0.9-8.9 درصد محاسبه شده است.
واژه‌های کلیدی: هوش مصنوعی، غربالگری روشهای ازدیاد برداشت، منطق فازی، ماشین بردار پشتیبان، مدل داده محور.
دفعات مشاهده: 3970 بار |
دفعات چاپ: 398 بار |
دفعات ارسال به دیگران: 0 بار |
0 نظر