Search

Browse

• Communities
• Authors
• Year
• Titles
• Subjects

My Space

• Login

Ανάπτυξη μοντέλου ΑΝΝ για τη πρόβλεψη των ογκομετρικών συντελεστών Βο,Rs και της πίεσης στο σημείο φυσαλίδας-κορεσμού pb πετρελαίων σε συνθήκες ταμιευτήρα

Vanos Pantelis

Full record

---

Summary

Στη βιομηχανία πετρελαίου υπάρχει η απαίτηση για όσο το δυνατόν πιο σωστές τιμές των ιδιο-τήτων των ρευστών του ταμιευτήρα ώστε να μπορούν να πραγματοποιηθούν ακριβείς υπολο-γισμοί της Μηχανικής Ταμιευτήρων και της Μηχανικής Παραγωγής όπως π.χ. να καταστεί δυ-νατή μια ακριβής εκτίμηση των αποθεμάτων, της παραγωγικής ικανότητας και της απόδοσης ανάκτησης ενός ταμιευτήρα. Επίσης μπορούν να χρησιμοποιηθούν για την ανάλυση των δε-δομένων της δοκιμής γεώτρησης (well test) και των δεδομένων παραγωγής, για το σχεδιασμό των γεωτρήσεων παραγωγής καθώς και για περαιτέρω μελέτες της μηχανικής πετρελαίου όπως η ανάπτυξη μοντέλων ισοζυγίου μάζας, μέτρηση ροής, βελτιστοποίηση συστημάτων παραγωγής, το σχεδιασμό των επιφανειακών εγκαταστάσεων παραγωγής, τη μαθηματική προσομοίωση ταμιευτήρα, την παραμετροποίηση των καταστατικών εξισώσεων κλπ. Εφόσον έχει πραγματοποιηθεί δειγματοληψία ρευστού του ταμιευτήρα εν συνεχεία με-τρώνται οι τιμές των ιδιοτήτων εργαστηριακά από τις PVT (πίεση-όγκος-θερμοκρασία) μελέ-τες. Στη περίπτωση που τα δεδομένα αυτά πρέπει να προσδιοριστούν άμεσα, γιατί η πραγμα-τοποίηση των μελετών PVT χρειάζονται χρόνο εκτέλεσης πολλών εβδομάδων αλλά και ση-μαντικό κόστος, συχνά οι μηχανικοί εφαρμόζουν εμπειρικές συσχετίσεις ή μαθηματικούς αλγο-ρίθμους οι οποίοι χρησιμοποιούν άμεσα διαθέσιμα δεδομένα παραγωγής ώστε να εκτιμήσουν τις τιμές των ιδιοτήτων με ένα σχετικά αποδεκτό σφάλμα.Η παρούσα διπλωματική εργασία εστιάζει στην ανάπτυξη μοντέλων πρόβλεψης των θερμοδυναμικών ιδιοτήτων πετρελαϊκών ρευστών με χρήση αλγορίθμων από το χώρο της Μηχανικής Εκμάθησης (machine learning) γνωστών και ως Τεχνητά Νευρωνικά Δίκτυα (artifi-cial neural network) ΑΝΝ. Τα μοντέλα χρησιμοποιούν δεδομένα παραγωγής όπως αυτά της πυκνότητας πετρελαίου (APIo), της πυκνότητας αερίου (γg), του GOR και της θερμοκρασία ταμιευτήρα (T), ώστε να επιτευχθεί ελαχιστοποίηση του σφάλματος πρόβλεψης σε ό,τι αφορά τις παρακάτω ιδιότητες του πετρελαϊκού ρευστού:1. Ογκομετρικός συντελεστής σχηματισμού υγρής φάσης Βο2. Του λόγου αερίου εν διαλύσει/πετρελαίου Rs3. Πίεση στο σημείο φυσαλίδας-κορεσμού pbΗ ανάπτυξη των νευρωνικών έγινε με την επίλυση του προβλήματος εποπτευόμενης παλινδρόμησης (supervised regression problem) η οποία είναι μια ευρέως χρησιμοποιημένη τεχνική μοντελοποίησης για την έρευνα της συσχέτισης μεταξύ μίας ή περισσότερων εξαρτώ-μενων μεταβλητών και μιας ή περισσότερων ανεξάρτητων μεταβλητών. Για τα συγκεκριμένα προβλήματα που επιλύθηκαν, ως εξαρτημένες μεταβλητές θεωρήθηκαν οι ιδιότητες του ρευ-στού (Rs, Bo, pb) οι οποίες αποτέλεσαν και τις εξόδους των νευρωνικών ενώ ως ανεξάρτητες μεταβλητές-είσοδοι θεωρήθηκαν τα δεδομένα της βάσης δεδομένων που χρησιμοποιήθηκαν για την εκπαίδευση τους.Χρησιμοποιήθηκε η βάση δεδομένων του Εργαστήριου Ανάλυσης Ρευστών και Πυρήνων του Πολυτεχνείου Κρήτης η οποία περιέχει μεγάλο αριθμό δεδομένων PVT πετρελαίων τα-μιευτήρα με εκτεταμένη γεωγραφική διασπορά. Η βάση δεδομένων ελέγχθηκε ποιοτικά και μετασχηματίστηκε ανάλογα με τις ανάγκες του κάθε νευρωνικού δικτύου.Για την ανάπτυξη των νευρωνικών δικτύων έγινε χρήση της δομής «Perceptron πολλών επιπέδων» υιοθετώντας ως μέθοδο σύγκλισης την επιβλεπόμενη “Levenberg-Marquardt”.Τέλος, παρουσιάζονται αναλυτικά τα αποτελέσματα της ακρίβειας των προβλέψεων των νευρωνικών δικτύων που αναπτύχθηκαν και εν συνεχεία οι επιδόσεις τους συγκρίθηκαν με τις επιδόσεις των ήδη εφαρμοζόμενων από τη βιομηχανία πετρελαίου εμπειρικών συσχετίσεων όπου και διαπιστώθηκε ότι τα νευρωνικά που αναπτύχθηκαν παρουσίασαν σημαντικά μεγα-λύτερη ακρίβεια επί όλων των μεθόδων για ένα σύνολο δεδομένων τα οποία δεν χρησιμοποι-ήθηκαν για την εκπαίδευσή τους.

Available Files

Services