پديد آورنده :
رهبر، نيلوفر
عنوان :
پيش بيني نمودارهاي تراوايي نسبي با استفاده از ابزار يادگيري ماشين
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
مهندسي نفت
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
پانزده، 79ص. : مصور (رنگي)، جداول، نمودار
استاد راهنما :
عليرضا خزعلي، حميدرضا شاهوردي
توصيفگر ها :
تراوايي نسبي , نمودار تراوايي نسبي , يادگيري ماشين , شبكه عصبي , ضرايب معادله كوري , شبيه سازي مخزن , علم داده , خوشه بندي داده ها
استاد داور :
روح الله هاشمي، نادر فتحيان پور
تاريخ ورود اطلاعات :
1401/08/17
رشته تحصيلي :
مهندسي شيمي
تاريخ ويرايش اطلاعات :
1401/08/17
چكيده فارسي :
تراوايي نسبي يكي از پارامتر‌هاي مهم در پيش بيني رفتار آينده مخزن است؛ به همين دليل پيش بيني نمودارهاي تراوايي نسبي مسئله‌ي مهمي در مهندسي نفت به شمار مي‌رود. مغزه‌گيري و انجام آزمايش براي تمام نقاط مخزن از لحاظ هزينه بالا و وقت گير بودن كار غير ممكني است، لذا محققان سعي بر اين دارند كه با كشف روش‌هاي جديد بتوانند تراوايي نسبي را با دقت بالايي براي نقاطي كه هيچ اطلاعاتي از خواص آن‌ها موجود نيست، پيش بيني كنند. در اين تحقيق سعي بر اين است كه با داشتن تراوايي نسبي مخزن در چندين نقطه، بتوان اين پارامتر مهم را بر حسب موقعيت مكاني پيش بيني كرد. شبكه عصبي كه يكي از روش هاي مبتني بر يادگيري نظارت شده مي‌باشد، براي يكي از مخازن نفتي ايران، استفاده شده است. با استفاده از داده‌هاي تراوايي نسبي بر حسب مكان در چاه‌ها، ضرايب معادله‌ي كوري با دقت بالايي تخمين زده شد. شبكه عصبي طراحي شده، داده‌هاي مكان را دريافت كرده و ضرايب معادله كوري را پيش بيني نمود. با استفاده از مدل شبكه عصبي طراحي شده، ضرايب معادله كوري براي تمام نقاط مخزن پيش بيني شد. سپس با استفاده از خوشه بندي نظارت نشده، گونه بندي سنگ جديد مخزن حاصل شد و شبيه سازي مخزن با استفاده از گونه بندي سنگ جديد و تراوايي نسبي پيش بيني شده براي هر گونه سنگ ايجاد شد.
چكيده انگليسي :
Relative permeability is one of the crucial parameters in predicting the future behavior of the reservoir. For this reason, the prediction of relative permeability curves is considered an essential issue in petroleum engineering. Coring and conducting tests for all points of the reservoir is impossible in terms of high cost and time-consuming work, so researchers are trying to discover new methods to determine the relative permeability with high accuracy for points without information about their properties. In this research, an attempt is made to predict this critical parameter for all locations by having the relative permeability of the reservoir at several points. In this research, the neural network, one of the methods based on supervised learning, is used for One of the oil reservoirs in Iran. The coefficients of the Corey equation were estimated with high accuracy using the relative permeability data based on their well locations. The designed neural network received location data and predicted the coefficients of the Corey equation. The coefficients of the Corey equation were predicted for all points in the reservoir using the designed neural network model. Then, using unsupervised clustering, a new reservoir rock type was obtained, and a reservoir simulation was performed using the new rock type.
استاد راهنما :
عليرضا خزعلي، حميدرضا شاهوردي
استاد داور :
روح الله هاشمي، نادر فتحيان پور
