كاربرد هاي شبكه هاي عصبي مصنوعي در مطالعات نفتي

كاربرد هاي شبكه هاي عصبي مصنوعي در مطالعات نفتي

هنگام نبود اندازه گيري هاي آزمايشگاهي براي تعيين خواص PVT نفت خام ، دو روش كع به طور معمول مورد استفاده قرار مي گيرند عبارتند از معادله حالت (EoS) و روابط تجربي PVT .

معادله حالت بر اساس آگاهي از جزئيات تركيبات سيالات مخزن پايه گذاري شده است كه تعيين اين گونه كميت ها بسيار گران و وقت گير است . در حالي كه روابط PVT بر اساس داده هاي بدست آمده از لايه هاي زمين كه به راحتي اندازخ گيري مي شوند ، پايه گذاري شده اند. اين داده ها عبارتند از فشار مخزن ، دماي مخزن و وزن مخصوص نفت و گاز. مطالعه دقيق اين روابط نشان مي دهد كه آنها دقت كافي براي تعيين خواص نفت خام ، در ميدان هاي مختلف نفتي برخوردار نيستند ، زيرا معمولاً براي ايجاد ايم نوع روابط از داده هاي مناطق مشخصي استفاده شده است.

مطالعات چند سال اخير نشان مي دهد كه شبكه هاي عصبي مصنوعي از قابليت بسيار خوبي براي پيش بيني خواص PVT برخوردارند. اگرچه براي ايجاد اين نوع شبكه ها همانند روابط تجربي PVT از داده هاي مناطق خاصي استفاده مي شئد، اما چون ANN از روش هاي تجربي يا آماري متداول براي محاسبات خود استفاده نمي كند ، لذا فرآيند پيش بيني آن محدود به يك يا چند ميدان نفتي خاص نمي شود. براي مثال در ANN نيز شبيه روابط تجربي PVT ، براي تعيين ( فشار نقطه حباب ) يا ( ضريب حجمي تشكيل نفت ) فرض شده است كه آنها توابعي از T ( دماي مخزن ) ( وزن مخصوص گاز ) ( وزن محصوص نفت ) و ( نسبت گاز محلول به نفت ) هستند كه البته اين شبكه ها تفائت هايي نيز با هم دارند . Goda در سال 2003 از دو شبكه عصبي مرتبط به هم براي تعيين مقادير و مرتبط به هم برا يتعيين مقادير و استفاده كرد. در اين مطالعه ، شبكه اول شامل يك لايه ورودي با چهار نرون ( API,T ، دانسيته نسبي گاز و ) دو لايه مياني هر كدام با ده نرون و يك لايه خروجي با يك نرون ( ) مي باشد. شبكه دوم كه مرتبط به شبكه اول است ، شامل يك لايه ورودي با پنج نرون ( API,T، دانسيته نسبي گاز ، و پيش بيني شده توسط شبكه اول ) دو لايه مياني هر كدام شامل هشت نرون و يك لايه خروجي با يك نرون ( ) مي باشد.

اين مطالعات نشان ميدهد كه شبكه هاي عصبي از دقت بسيار بهتري براي پيش بيني خواص PVT نفت خام نسبت به ساير روش ها برخوردارند.