پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی

word 3 MB 31776 126
1392 کارشناسی ارشد مهندسی شیمی
قیمت قبل:۷۱,۱۰۰ تومان
قیمت با تخفیف: ۳۲,۴۰۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان نامه کارشناسی ارشد در رشته مهندسی شیمی (گرایش مهندسی گاز)

    در سالهای اخیر، چاه­های افقی زیادی در اطراف جهان حفر شده­است. دلیل عمده­ی آن توانایی افزایش سطح مخزن در تماس با چاه است که باعث افزایش بهره بری از چاه می­شود. از چاه­آزمایی برای شناخت مدل­های مخازن هیدروکربوری و تشخیص پارامترهای مربوط به آن­ها استفاده می­شود. چاه­آزمایی بر مبنای ایجاد اختلال در جریان و ثبت فشار ته چاه ناشی از آن رفتار می­کند. این تکنیک داده­های مورد نیاز برای آنالیز عددی پارامترهای مخزن را فراهم می­کند. روش چاه آزمایی شامل دو مرحله می­شود: 1) طبقه­بندی مدل مخزن 2) تخمین پارامترها. شناسایی مدل­های چاه افقی و تعیین پارامترهای مدل­های آنها در مقایسه با چاه عمودی بسیار پیچیده تر می­باشد. تعیین مدل‌ مخزن از نمودارهای مشتق فشار، یکی از مراحل مهم و پایه‌ای در تخمین پارامترهای مخزن از طریق آنالیز داده‌های چاه‌آزمائی می‌باشد. در این مطالعه از شبکه‌های عصبی مصنوعی، برای شناسائی مدل مخازن نفتی از طریق نمودارهای مشتق فشار استفاده شده‌است. شبکه‌های عصبی مصنوعی، مدل‌های ریاضی هستند که دارای توانایی منحصر به فرد در تخمین پارامتر و شناسایی الگو و ... هستند. هشت مدل مختلف چاه افقی از مخازن نفتی  که مخازن همگن و تخلخل دو‌گانه با مرز‌های مختلف را شامل می‌شود، مورد بررسی قرار گرفته است. شبکه‌ی عصبی پیشرو توسط داده‌های مشتق فشاری که به‌وسیله‌ی شبیه‌سازی با نرم‌افزار PANSYSTEM تولید شده‌اند، آموزش داده‌ شده‌ است. عملکرد شبکه­ی پرسپترون به­ وسیله­ی متوسط خطاهای نسبی و مجذور میانگین مربعات خطا بررسی می­شود. توانایی شبکه‌ی طراحی‌شده از طریق داده‌های دارای نویز مورد بررسی قرار گرفته‌است. دقت شبکه‌ به‌وسیله‌ی تعدادی پارامتر آماری مانند حساسیت و دقت دسته‌بندی کلی آورده شده و دقت کلی شبکه‌ی پیشرو 05/97 می‌باشند.

     

    کلمات کلیدی: چاه افقی ، شبکه عصبی مصنوعی ، شناسایی مدل مخزن­، چاه ­آزمایی

     

    مقدمه­ای بر مهندسی مخزن

     

    نفت خام­، گاز طبیعی و آب موادی هستند که برای مهندسان نفت دارای اهمیت ویژه­ای هستند­. این مواد که در دما و فشار پایین گاهی به صورت جامد یا نیمه جامد­­ (مانند پارافین­، هیدرات­های گازی­، یخ و نفت خام با نقطه ریزش بالا) یافت می­شوند­­، در اعماق زمین ودر ستون چاه به حالت سیال­، به صورت فاز بخار (گاز) یا مایع یا عمدتا دو فازی ظاهر می­شوند­. مواد جامدی که در عملیات حفاری­، سیمان­کاری و ایجاد شکاف به­کار برده می­شوند نیز به حالت سیال یا دوغاب استفاده می­شوند­. تقسیم­بندی سیالات مخزن و چاه به فازهای مایع و بخار­، به دما و فشار وابسته است­. وقتی دما ثابت است­، حالت یا فاز سیال درون مخزن با فشار تغییر می­کند­. در بسیاری از موارد­، حالت یا فاز سیال درون مخزن با حالت یا فاز سیال در هنگام تولید در شرایط سطح مطابقت ندارد­. شناخت دقیق رفتار نفت خام­، گاز طبیعی و آب - به صورت تکی یا ترکیبی- تحت شرایط مختلف از مهمترین اهداف مهندسان نفت است­. 

    اوایل سال 1928­، توجه خاصی به روابط گاز و انرژی شد­ و مهندسان نفت در مورد شرایط فیزیکی چاه­ها و مخازن زیر­زمینی­، دست­یابی به اطلاعات دقیق­تر را لازم دانستند­. پیشرفت­های اولیه در مورد روش­های بازیافت نفت این موضوع را آشکار ساخت که محاسبات انجام شده بر اساس اطلاعات سر چاه یا داده­های سطح­،اغلب گمراه­کننده هستند­. اسکلاتر و استفانسون[1] اولین دستگاه ثبت فشار  درون چاهی و نمونه­گیر را برای نمونه­گیری از سیالات تحت فشار درون چاه­ها ابداع کردند[1]. جالب اینکه این دستگاه داده­های درون چاهی را باتوجه به مقادیر مثبت فشار، دما، نسبت­های گاز به نفت و طبیعت فیزیکی و شیمیایی سیالات مشخص می­کند­. لزوم اندازه­گیری فشارهای صحیح درون چاهی هنگامی مورد توجه قرار گرفت که اولین دستگاه فشار سنج دقیق توسط میلیکان و سیدول[2] ساخته شد و اهمیت اساسی فشارهای درون چاهی در تعیین مؤثرترین روش­های بازیافت و فرایند­های فرازآوری، به مهندسان نفت نشان داده شد[2]­. به این ترتیب مهندس مخزن قادر خواهد بود فشار مخزن که مهمترین داده­ی پایه ای مورد نیاز محاسبات عملکرد مخزن است­، اندازه­گیری کند­.

    دانش پتروفیزیک­، مطالعه­ی خواص سنگ­ها و ارتباط با سیالات موجود در آن­ها در هر دو حالت استاتیک و جریانی می­باشد­. تخلخل­، تراوایی­، درجه اشباع و توزیع سیالات­، ضریب هدایت الکتریکی سنگ و سیال­، ساختار منافذ و رادیواکتیویته­، برخی از مهم­ترین خواص پتروفیزیکی هستند­. پیشگامان علم مهندسی مخزن از همان ابتدا به این نکته پی برده بودند که قبل از محاسبه­ی حجم­های نفت و گاز درجا­، آگاهی از تغییر خواص فیزیکی نمونه­های ته چاهی سیالات مخزن­، نسبت به فشار، ضروری است­.

    طی دهه­ی 1960­، عبارات شبیه سازی و مدل­سازی ریاضی مخزن عمومیت یافت[3]­­. این عبارت مترادف هستند و به توانایی استفاده از معادلات ریاضی جهت پیش بینی عملکرد مخزن نفت یا گاز اشاره دارند­. پیدایش رایانه­های دیجیتالی پرسرعت در مقیاس وسیع­، باعث تقویت علم شبیه سازی مخازن گردید­. روش­های عددی پیچیده نیز با استفاده از شیوه­های اختلاف محدود یا المان محدود­، جهت حل تعداد زیادی از معادلات گسترش یافت­.

    با توسعه این روش­ها­، مفاهیم و معادلات مهندسی مخزن به صورت شاخه­ای قوی تعریف شده از مهندسی نفت در آمد­. مهندسی مخزن عبارت است از کاربرد اصول علمی جهت حل مسائل تخلیه که ضمن توسعه و بهره­برداری مخازن نفت و گاز بروز می­نماید­. مهندسی مخزن (هنر توسعه و بهره­برداری سیالات نفت وگاز به طریقی که بازیابی اقتصادی بالا حاصل شود) نیز تعریف شده است[4]­.

     

    ­مخازن نفت و بهره­برداری از مخازن نفتی

    توده­های نفت و گاز داخل تله­های زیر­زمینی یافت می­شود که به واسطه­ی خصوصیات ساختاری و چینه­ای شکل گرفته­اند[5]­. خوشبختانه توده­های نفت و گاز معمولا در قسمت­های متخلخل­تر و نفوذپذیرتر بسترها که به صورت عمده ماسه­ها­، سنگ­های ماسه­ای­، سنگ­های آهکی و دولومیت­ها هستند­ و نیز در منافع بین دانه­ای یا فضای منافذ که با درزها­، شکاف­ها و فعالیت محلول ایجاد شده­­اند یافت می­شوند­.    

    در شرایط اولیه­ی مخزن­، سیالات هیدروکربنی به حالت تک فاز یا دو فاز می­باشند­.حالت تک فاز ممکن است فاز مایع باشدکه تمام گاز موجود در نفت حل شده است­. در این حالت­، ذخایر گاز طبیعی محلول باید همانند ذخایر نفت خام برآورد شوند­. از طرف دیگر­، حالت تک فاز ممکن است فاز گاز باشد­. اگر در فاز گاز­، هیدروکربن­های تبخیرشده­ای وجود داشته باشند که در سطح زمین به صورت مایعات گاز طبیعی قابل بازیابی باشند­، این مخزن را مخزن گاز میعانی یا مخزن گاز تقطیری می­نامند­. در این حالت­، ذخایر مایعات همراه موجود ( میعانی یا تقطیری ) باید همانند ذخایر گاز برآورد شوند­­­. زمانی که توده­ی هیدروکربنی به صورت دوفاز باشد­­، فاز بخار را کلاهک گازی می­نامند­ و فاز مایعی که در زیر آن واقع می­شود­­، منطقه­ی نفتی نام دارد­. در این­جا چهار نوع ذخایر هیدروکربوری وجود خواهد داشت­:

    گاز آزاد یا گاز همراه­، گاز محلول­، نفت موجود در منطقه­ی نفتی و مایعات گاز طبیعی که از کلاهک گازی بازیابی می­شوند­.

    هرچند هیدروکربن­های موجود در مخزنکه به آن ذخیره می­گویند­، مقادیر ثابتی دارند، میزان ذخایر به روش بهره برداری از مخزن بستگی دارد­. در سال 1986 جامعه­ی مهندسان نفت (SPE)[3] تعریف زیر را برای ذخایر انتخاب کرد­:

    ذخایر­، میزان حجم­های برآورد شده­ی نفت خام­، گاز طبیعی­، مایعات گاز طبیعی و مواد همراه قابل عرضه در بازار هستند که از یک زمان به بعد تحت شرایط اقتصادی موجود­، با عملیات بهره­برداری مشخص و تحت آیین­نامه­های جاری دولت به لحاظ اقتصادی­، قابلیت بازیابی و سوددهی وعرضه در بازار را داشته باشند[6]. میزان ذخایر با استفاده از داده­های زمین­شناسی و مهندسی موجود محاسبه می­گردد­. به تدریج که طی بهره­برداری از مخزن داده­های بیشتری به­دست می­آید­، برآورد ذخایر نیز روزآمد می­شود­.

    تولید اولیه­ی هیدرو کربن­ها از مخازن زیر زمینی که با استفاده از انرژی طبیعی مخزن صورت می­گیرد­­، بهره­برداری اولیه محسوب می­شود­. در بهره­برداری اولیه، نفت یا گاز بر اثر الف) انبساط­، ب) جابه­جایی سیال­، ج) ریزش ثقلی و د) نیروی مویینه دافعی به سمت چاه­های تولیدی رانده می­شوند­. در صورتی که مخزن فاقد سفره­ی آبی باشد و سیالی به آن تزریق نشود­، بازیابی سیالات هیدروکربنی عمدتا با انبساط سیال صورت می­گیرد­. در حال که در مورد نفت ­، ممکن است بازیابی به کمک ساز­و­کار ریزش ثقلی انجام شود­. در صورتی که شار آب ورودی از سفره­ی آبی وجود داشته باشد یا به جای آن آب به درون چاه­های انتخابی تزریق شود­، بازیابی با ساز­و­کار جابه­جایی صورت می­گیرد که ممکن است همرا با ساز­و­کار ریزش ثقلی یا نیروی مویینه­ی دافعی باشد­­. گاز نیز که سیال جابه­جا کننده است­، به منظور کمک به بازیابی نفت به چاه­ها تزریق می­شود­. همچنین از گاز به منظور بازیابی سیالات گاز میعانی در چرخه­ی گاز استفاده می­شود­.

    استفاده از طرح تزریق گاز طبیعی یا آب­، عملیات بازیابی ثانویه نامیده می­شود­. زمانی که برنامه­ی تزریق آب فرایند بازیابی ثانویه را به دنبال داشته باشد­، فرایند سیلاب زنی آبی نامیده می­شود­. هدف اصلی از گاز طبیعی یا آب­ به مخزن­، حفظ فشار است­. به همین دلیل از عبارت برنامه­ی حفظ فشار نیز در تشریح فرآیند بازیابی ثانویه استفاده می­شود­.

     

     

    ABSTRACT

     

    APPLICATION OF NEURAL NETWORK TO THE DETERMINATION OF RESERVOIR MODELS FOR WELL-TEST ANALYSIS OF HORIZONTAL WELLS

     

    By:

    Samaneh Heidary

     

    In the past few years, many horizontal wells have been drilled around the world. The major purpose of a horizontal well is to enhance the reservoir area that can be contacted and thereby enhance well productivity/infectivity. Well testing technique has frequently been used in order to identify hydrocarbon reservoir models and estimate their associated parameters. Well testing is basically conducted by creating a flow disturbance in a well and recording the pressure response at the bottom-hole. This technique provides the required data for quantitative analysis of the reservoir parameters. The well testing method consists of two stages: (1) the recognition of the reservoir model, and (2) the parameter estimation. Well-test model identification and, subsequently, determination model parameters is more complex in horizontal wells to than of vertical wells. The model of the reservoir has to be recognized by using pressure derivative plots. In this study artificial neural networks have been used to identify oil reservoir model from pressure derivative plots. Eight different horizontal well models of oil reservoir, which consist of homogenous and dual porosity reservoirs with various outer boundaries, have been considered. A feed-forward neural network has been trained using pressure derivative data obtained from the PANSYSTEM simulator.The performance of the developed MLP network is measured through mean relative errors (MRE) and the mean square errors (MSE). The network performance has also been examined by employing noisy and field data. The proposed network is evaluated using some statistical parameters such as sensitivity and total classification accuracy. The total classification accuracy values is 97.05.

    Keywords:  Horizontal well, Artificial neural networks, Well testing data

  • فهرست:

    1- مقدمه. 2

    1-1- مقدمه‌ای بر مهندسی مخزن. 2

    1-2- مخازن نفت و بهره­برداری از مخازن نفتی.. 3

    1-3- تعاریف انواع مخزن­ها با استفاده از نمودارهای فازی.. 5

    1-4- مروری بر خواص سنگ مخزن. 8

    1-4-1- درجه تخلخل.. 8

    1-4-2-تراکم­پذیری هم­دما. 8

    1-4-3- درجه اشباع سنگ... 9

    1-5- مقدمه‌ای بر چاه‌آزمائی.. 9

    1-5-1- عوامل موثر بر چاه‌آزمائی.. 12

    1-5-1-1-  ضریب پوسته. 12

    - ضریب پوسته‌ی شکاف هیدرولیکی.. 12

    - تکمیل چاه جزئی و مشبک‌کاری جزئی.. 12

    1-5-1-2- اثر ذخیره درون چاهی.. 14

    - قانون سرانگشتی.. 15

    1-5-1-3-  نفوذپذیری یا تراوائی.. 15

    1-5-1-4- نحوه‌ی حرکت سیال درون محیط متخلخل.. 15

    1-5-1-5- مرزهای مخزن.. 16

    - مرز داخلی.. 16

    - مرز بیرونی مخزن.. 16

    1-5-2- انواع آزمایشات چاه‌آزمائی.. 17

    1-5-2-1- آزمون­های دوره‌ای تولید (اندازه‌گیری روزانه‌ی دبی و فشار). 17

    1-5-2-2- آزمون­‌های سنجش بهره‌دهی چاه. 18

    1-5-2-2-1- برای مخازن نفتی.. 18

    1-5-2-2-2- برای مخازن گازی.. 19

    - آزمون­ شاخص بهره دهی تولید.. 19

    - آزمون­ عملکرد جریان به داخل چاه. 19

    - تغییرات دبی در زمان طولانی تولید.. 19

    - تغییرات دبی در زمان کوتاه تولید.. 19

    - تغییرات دبی در زمان کوتاه تولید و بستن چاه. 20

    1-5-2-3- آزمون­های فشار گذرا ( فشار با زمان). 20

    1-5-2-3-1- آزمایش‌ خیزش فشار. 21

    - آزمایش خیزش فشار ایده‌آل.. 22

    - آزمایش خیزش فشار واقعی.. 23

    - انحراف از حالت ایده‌آل.. 24

    - روشهای تفسیر آزمایش خیزش فشار. 24

    1-5-2-3-2- آزمایش جریانی.. 26

    مشکلات چاه‌آزمائی جریانی.. 28

    1-5-3- کاربرد نمودارهای مشتق در تحلیل آزمایشات چاه‌آزمائی.. 29

    1-5-3-1- مثال‌هایی از کاربرد منحنی‌های مشتق فشار. 29

    1-6- انواع چاه در مخازن. 32

    1-6-1- چاه های عمودی.. 32

    1-6-2-چاه­ها با شکست هیدرولیکی.. 32

    1-6-3- چاه افقی.. 33

    1-6-3-1- دوره­ی جریان شعاعی قائم. 34

    1-6-3-2- دوره­ی جریان خطی میانی.. 35

    1-6-3-3- دوره­ی جریان شبه شعاعی انتهایی.. 35

    1-6-4 - معادلات زمان رژیم­های مختلف در چاه افقی.. 36

    1-6-4 - آنالیز فشار در چاه افقی.. 37

    1-7-1- آزمایش کاهش فشار. 37

    - پاسخ فشار در دوره­ی جریان شعاعی قائم اولیه. 37

    - پاسخ فشار در دوره­ی جریان خطی میانی.. 37

    - پاسخ فشار در دوره­ی جریان شبه شعاعی انتهایی.. 37

    1-7-1- آزمایش خیزش فشار. 38

    - پاسخ فشار در دوره­ی جریان شعاعی قائم اولیه. 38

    - پاسخ فشار در دوره­ی جریان خطی میانی.. 38

    - پاسخ فشار در دوره­ی جریان شبه شعاعی انتهایی.. 38

    1-8- شبکه های عصبی.. 38

    1-8-1- ساختار مغز. 39

    1-8-2- مدل ریاضی یک نرون. 40

    1-8-3-یادگیری شبکه. 42

    الف)  یادگیری با ناظر. 42

    ب)  یادگیری بدون ناظر. 42

    ج) یادگیری تشدیدی.. 42

    1-8-4- تقسیم بندی بر اساس ساختار. 42

    الف) شبکه های پیش خور. 42

    ب) شبکه های بازگشتی.. 43

    1-8-5- شبکه پرسپترون. 43

    1-8-6- ترتیب ارائه داده ها به شبکه. 44

    1-8-7- تابع انتقال. 44

    1-8-8- پایان آموزش... 45

    1-8-9- تعداد نرون در لایه ها 46

    1-8-10- معیار‌های نیکویی برازش... 46

    - تحلیل رگرسیون.. 46

    - ضریب همبستگی.. 46

    - مجذور میانگین مربعات خطا. 47

    - متوسط خطاهای نسبی.. 47

    2- مروری بر کارهای گذشته. 49

    2-1- کارهای انجام شده بر روی شبکه­های عصبی.. 49

    2-2- کارهای انجام شده بر روی چاه­های افقی.. 59

    3- گردآوری داده های چاه آزمایی.. 66

    3-1- مقدمه. 66

    3-2- پارامترهای مورد نیاز برای وارد کردن به نرم افزار 67

    3-3-پارامترهای چاه‌آزمائی مدل‌های مخزنی.. 68

    3-3- 1-استفاده از روش طراحی آزمایش برای تولید داده های اولیه. 69

    3-3-2- تبدیل داده های فشار به شبه فشار و مشتق گیری از آنها 70

    3-4-نرمالیزه‌کردن. 71

    3-5- ساختار شبکه­ی عصبی.. 71

    3-6- مدل­های در نظر گرفته شده 73

    - مخزن همگن فشار ثابت، بدون جریان و بدون مرز محدود. 73

    - مخزن همگن فشار ثابت، بدون جریان با مرز گسل منفرد فشار ثابت... 74

    - مخزن همگن فشار ثابت، بدون جریان با گسل منفرد بدون جریان.. 75

    - مخزن تخلخل دوگانه فشار ثابت، بدون جریان و بدون مرز محدود. 75

    - مخزن تخلخل دوگانه فشار ثابت، بدون جریان با مرز گسل منفرد فشار ثابت... 77

    - مخزن تخلخل دوگانه فشار ثابت، بدون جریان با مرز گسل منفرد بدون جریان.. 78

    - مخزن تخلخل دوگانه بدون جریان با مرزگسل منفرد فشار ثابت... 79

    - مخزن تخلخل دوگانه ، بدون جریان با مرز گسل منفرد بدون جریان.. 79

    4- بحث و نتایج. 82

    4-1- مقدمه. 82

    4-2- تعیین ساختار بهینه‌ی شبکه‌ پیشرو 82

    4-2-1- آموزش شبکه.... 85

    4-3- بحث و نتایج. 87

         4-3-1- امتحان شبکه با داده های تست.. 87

       4-3-2- بررسی استقامت شبکه در برابر نمودار‌های دارای نویز. 89

    5- نتیجه‌گیری و پیشنهادات.. 99

    5-1- مقدمه. 99

    5-2- نتایج. 99

    - نتایج مرتبط با شبیه‌سازی داده به‌وسیله نرم‌افزار. 99

    - نتایج مرتبط با شبکه عصبی مصنوعی.. 99

    5-3-2- پیشنهادات.. 100

    منابع

    منبع:

     

     

    [1] Sclater K. C. and Stephenson B. R. (1928). "Measurments of Original pressure, Temperature and Gas-Oil Ratio in Oil sands," Trans, Aime, 82,119.

    [2] Millikan C. V. and Sidwell Carrol V. (1931). "Bottom-hole Pressure in Oil wells," Trans, Aime, 92,194.

    [3] Odeh A. (1969). "Reservoir Simulation – Whate Is It?" Jour of Petroleum Technology.1383-1388.

    [4] Moore T.V. (1955). "Reservoir Engineering Begins Second 25 Years," Oil and Gas Jour. 54, No. 29,148.

    [5] Principles of Petroleum conservation, Engineering Committee, Interstate Oil CompactCommission (1955), p, 2.

    [6] "Proved Reservoir Definition," Jour of Petroleum Technology (1981).2113-2114.

    [7] Bruno Roussennac, (2001). Gas Condensate Well Test Analysis.Ms.c thesis, Stanford University.

    [8] M. Muskat, (1937). “Use of data on the build-up of bottom hole pressures,” AIME 123, 44–48.

    [9] R. Kharrat and S. M. Razavi. (2005). “Determination of the Reservoir Model from Well Test Data by using Artificial Neural Network”, 10th Iranian Chemical Engineering Congress (IChEC10), Sistan & Balochestan University.

    [10] Giles Bourdarot, Engineer Elf Aquitaine, (1998). “Well Testing: Interpretation Methods”. Edition technip, Paris.

    [11] Kazemi, Hossein and Seth, Mohan S, (1969). “Effect of Anisotropy and Stratification on Pressure Transient Analysis of wells with Restricted flow Entry“, J.Pet. Tech. 639-647.

    [12] Odeh, A.S: (1968). “Steady-State flow capacity of wells with limited Entry to flow”, Society of Petroleum Engineering Journal 43-51, Trans., AIME, 243.

    [13] Schlumberger Documents, (2003). “Well Test Interpretation”, Schlumberger Oil and Gas Well Service.

    [14] Amanat U. Chaudhry, (2004), “Oil Well Testing Handbook.” Gulf Professional Co, ISBN: 0-7506-7706-6.

    [15] Rajeev R. Lal, (2003)."Well testing in gas condensate reservoirs", a report submitted to the department of petroleum engineering of Stanford University.

    [16] Matthews, C.S. and Russel, D.G., (1967). “Pressure Build up and Flow Tests in Wells”, Monograph Series, Society of Petroleum Engineering of AIME, Dallas.

    [17] John Lee, John B. Rollins & John P. Spivey, “Pressure Transient Testing”, Vol. 9. (2003).

    [18] Henry L. Doherty, Robert C. Earlougher, Jr. Marathon Oil Co. (1977). “Advance in Well Test Analysis “, Dallas, chap. 3, 5, 8, 9.

    [19] Bath, England “Introduction to Well Testing.” SchlumbergerEdition 1998.

    [20] Perrine, R.L., (1956). “Analysis of pressure Build up curves”, Drill. And Prod. Prac. API, Dallas 482-509.

    [21] A.C. King, J. Billingham and S.R. Otto. (2003). “Differential Equations Linear, Nonlinear, Ordinary, Partial,” Cambridge University Press.

    [22] Roland N. Horn, “Modern Well Test Analysis”, by petroway, Inc.1995.

    [23] R.N. Kulkarni, Y.H. Belsvik, and A.B. Reme (2007). “Smart-Well Monitoring and Control: Snorre B Experience,” Paper SPE 109629 presented at the 2007 SPE Annual Technical Conference and Exhibition held in Anaheim, California, U.S.A., November 11–14.

    [24] Ben Krose, Patrick van der Smagt,” introduction to neural networks”, eigth edition, November 1996.

    [25] A.B. Bulsari, (1995). “Neural networks for chemical engineers”, Elsevier,

    [26] Allain, O. F. and Horne, R. N. (1990). “Use of Artificial Intelligence in Well Test Analysis.” JPT 342-349.                                                                          

    [27]   Al-Kaabi, A. U.  McVay, D.A. Holditch, S.A. and Lee, W .J. (1988). “Using an Expert System to Identify the Well­-Test Interpretation Model.” Paper SPE 18158 presented at the 64th Annual Technical Conference and Exhibition of the SPE held in Houston, TX, October 2-5.

    [28] Stewart, G. and Du, K.F.(1989): “Feature Selection and Extraction for Interpretation by an artificial Intelligence Approach.” paper SPE 19820 presented at the 64th Annual Technical Conference and Exhibition of the SPE held in San Antonio, TX, October 8-11.

    [29] Al-Kaabi, A. U. and Lee, W .J. (1990). “An Artificial Neural Network Approach to Identify the Well Test Interpretation Model.” Paper SPE 20552 presented at the 1990 SPE petroleum Computer Conference. Denver. CO. June 25-28.

    [30] Allain, O.F. and Houze, O.P. (1992): “A Practical Artificial Intelligence Application in Well-Test Interpretation.” Paper SPE 24287 presented at the SPE European petroleum Computer Conference, Stavanger, Norway, May 25-27.

    [31] Allain, O.F. and Houze, O.P. (1992): “A Hybrid Artificial Intelligence Approach in Well-Test Interpretation.” Paper SPE 24733 presented at the 64th Annual Technical Conference and Exhibition of the SPE held in Washington, DC, October 4-7.

    [32] Ramey Jr, H.N. (1992). “Advances in Practical Well-Test Analysis.” SPE, June 1992. pp. 650-659.

    [33] Juniardi, I. R. and Ershaghi, I. U. (1993). “Complexities of Using Neural Network in Well Test Analysis of Faulted Reservoirs.” Paper SPE 26106 presented at the 1993 SPE Western Regional Meeting, Anchorage, Alaska, May 26-28.

    [34] Ershaghi, I., Li, X. and Hassibi, M. (1993). “A Robust Neural Network Model for Pattern Recognition of Pressure Transient Test Data. “ Paper SPE 26427 presented at the 1993 SPE Annual Technical Conference and Exhibition, Houston, TX, October 3-6.

    [35] Anraku, T. and Horne, R. N. (1993). “Discrimination between Reservoir Models in Well

    Test Analysis.” Paper SPE 26426 presented at the 1993 SPE Annual Technical Conference

    And Exhibition, TX, October 3-6.

    [36] Horne, R.N. (1994). “Advances in Computer-Aided Well-Test Interpretation.” JPT, July

    1994, pp 599-606.

     [37] Athichanagorn, S. and Horne, R. N. (1995). “Automatic Parameter Estimation from Well Test Data Using Artificial Neural Network.” Paper SPE 30556 presented at the 1995 SPE Annual Technical Conference and Exhibition, Dallas, Texas, October 22-25.

    [38] Kumoluyi, A.O.  Daltaban, T.S. and Archer, J.S.(1995) “ Identification of Well-Test Models Use of  Higher-Order Neural Network.”, SPE Computer Application, December 1995, pp 146-150.

    [39] Sung, W. et al. (1995). “Development of HT- BP Neural Network System for the Identification of Well Test Interpretation Model.” Paper SPE 30974 presented at the 1995 SPE Eastern Regional Conference and Exhibition, Morgantown, September 18-20, pp 7-13.

    [40] Qiang, L. (1996). “Recognition of Well Test Interpretation Model by Artificial Neural Network.” Journal of Engineering and Applied Science, v 11, n 6, 1996, p 32-35.

    [41] Sinha, S. and Panha, M.N. (1996). “Well-Test Model Identification with Self-Organizing Feature Map” SPE Computer Application, Auguste 1996. pp 106-110.

    [42] Cheng, S. (1997). “Application of Neural Networks and Expert System in the Interpretation of Well Test,” Journal of Engineering and Applied Science, v 12, n 2, 1997, 3pp.

    [43] May, E. A. and Dagli, C. H. (1998). “Hybrid System for Well Test Analysis,” Neural Networks Proceedings, 1998. IEEE World Congress on Computational Intelligence. Volume 1, May 4-8, pp 295 – 300.

    [44] Kok M. V. and Karakaya E. (2000). ” Well Test Model Identification by Artificial Neural Networks,” Petroleum Science and Ttechnology, ISSN 1091-6466, 2000, vol. 18, n 7, pp. 783-794.

    [45] R. Kharrat and S. M. Razavi. (2005). “Determination of the Reservoir Model from Well Test Data by using Artificial Neural Network.” 10th Iranian Chemical Engineering Congress (IChEC10), Sistan & Balochestan University, 15-17 Nov., 2005

     

     

    [46] M. Alajmi and T. Ertekin. (2007). “ The Development of an Artificial Neural Network as a Pressure Transient Analysis Tool for Applications in Double-Porosity Reservoirs,” Paper SPE 108604 presented at the 2007 SPE Asia Pacific Oil and Gas Conference and Exhibition, Jakarta, Indonesia, 30 October-1 November.

    [47] R. Kharrat and S. M. Razavi. (2005). “Determination of the Reservoir Model from Well Test Data by using Artificial Neural Network”, 10th Iranian Chemical Engineering Congress (IChEC10), Sistan & Balochestan University.

    [48] Behzad Vaferi, Reza Eslamloueyan, Shahab Ayatollahi, (2011)." Automatic recognition of oil reservoir models from well testing data by using multi-layer perceptron networks", Journal of Petroleum Science and Engineerin.

    [49] Van Everdingen, A. F. And Hurst, W. (1949) “The Application of the Laplace Transformation to Flow Problems in Reservoirs,” Trans., AIME (1949) 186, 305-324.

    [50] Gringarten, A.C. and Ramey, H.J.Jr. (1973) “The Use of Source and Green, s Functions in Solving Unsteady-Flow Problems in Reservoirs,” SPEJ, October 1973, Trans., AIME, 255, pp.285-288.

    [51] Daviau, F., Mouronval, G. and Bourdarot, G.(1985) “Pressure Analysis for Horizontal Wells,” Paper SPE 14251 Presented at the 60th SPE Annual Technical Conference and Exhibition held in Las Vegas, NV ,September 22-25.

    [52] Daviau, F., Mouronval, G., Bourdarot, G. and Curutchet, P. (1988) “Pressure Analysis for Horizontal Wells,” SPE Formation Evaluation, December 1988, pp. 716-724.

    [53] Kuchuk, F.J., Goode, P.A., Brice, B.W., Sherrard, D.W. and Thambynayagam, R.K.M.(1988) “Pressure Transient  Analysis and Inflow Performance  for Horizontal Wells,” Paper SPE 18300 Presented at the 63th SPE Annual Technical Conference and Exhibition held in Houston, TX, October 2-5.

    [54] Odeh, A.S. and Babu, D.K. (1990). “Transient Flow Behavior of Horizontal Wells: Pressure Drawdown and Buildup Analysis,” SPE Formation Evaluation, March 1990, pp.7-15.

    [55] Kuchuk, F.J., goode, P.A., Wilkinson, D.J. and Thambynayagam, R.K.M. (1991). “Pressure -Transient Behavior of Horizontal Wells With and Without Gas Cap or Aquifer,” SPE Formation Evaluation, March 1991, pp.86-94.

    [56] Ozkan, E. and Raghavan, R. (1991). “New Solutions for Well-Test Analysis problems: Part1- Analytical Considerations,” SPE Formation Evaluation, September 1991, pp. 359-368.

    [57] Ozkan, E. and Raghavan, R. (1991). “New Solutions for Well-Test Analysis problems: Part 2- Computational Considerations Application,” SPE Formation Evaluation, September 1991, pp. 369-378.

    [58] Ohaeri, C.U. and VO, D.T. (1991). “Practical Solutions Interactive Horizontal Well-Test Analysis,” Paper SPE 22729 Presented at the 66th SPE Annual Technical Conference and Exhibition held in Dallas, TX, October 6-9.

    [59] Temeng, k.O. (1991). “On the Interpretation and Design of Horizontal Well Tests,” Paper SPE 21403 Presented at the SPE Middle East Oil show held in Bahrain, November 16-19.

    [60] Kamal, M.M., Buhidma, I.M., Smith, S.A. and Jones, W.R. (1993). “Pressure-Transient Analysis   for a Well with Multiple Horizontal Section,” Paper SPE 26444 Presented at the 68th SPE Annual Technical Conference and Exhibition held in Houston, TX, October 3-6.

    [61] Du, K.F. and Stewart, G. (1994). “Analysis of Transient- Pressure Response of Horizontal Wells in Bounded Reserviors,” SPE Formation Evaluation, March 1994, pp. 32-38.

    [62] Mattar, L. and Santo, M. (1995). “A Practical and Systematic Approach to Horizontal Well-Test [63] Analysis,” JCPT, Vol. 34, No. 9, November 1995, pp 42-46.

    Sultan, M.A. (2002). “Application of Neural Network to the Determination Model for Horizontal Wells,” Paper SPE 77878 Presented at the SPE Asia Pacific Oil and Gas Conference and Exhibition held in Melboume, Astralia, October 8-10.


موضوع پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, نمونه پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, جستجوی پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, فایل Word پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, دانلود پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, فایل PDF پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, تحقیق در مورد پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, مقاله در مورد پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, پروژه در مورد پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, پروپوزال در مورد پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, تز دکترا در مورد پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, تحقیقات دانشجویی درباره پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, مقالات دانشجویی درباره پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, پروژه درباره پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, گزارش سمینار در مورد پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, پروژه دانشجویی در مورد پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, تحقیق دانش آموزی در مورد پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, مقاله دانش آموزی در مورد پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی, رساله دکترا در مورد پایان نامه کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل چاه های افقی در مخازن نفتی با استفاده از داده های چاه آزمایی

پایان نامه برای دریافت درجه کارشناسی ارشد در رشته مهندسی برق- الکترونیک (M.Sc) چکیده فرآیند بازیابی گوگرد به روش کلاوس یکی از متداول ترین روش های جدا سازی گوگرد عنصری از گاز اسیدی حاصل از فرآیند شیرین سازی در پالایشگاه های گازی و نفتی می باشد. ولی به دلیل پیچیدگی این فرآیند و چند متغیره بودن کوره واکنش و عدم وجود کنترل کننده‌های مناسب متاسفانه تا کنون امکان کنترل بهینه و راندمان ...

پایان‌نامه کارشناسی‌ارشد گرایش ابزاردقیق و اتوماسیون در صنعت نفت معرفی کل تحقیق یکی از مباحث مهم علمی، فنی و اقتصادی، مسأله­ی خوردگی فلزات و حفاظت تأسیسات فلزی است. بررسی مبحث خوردگی چندان ساده نیست و با همه پژوهش­های انجام شده، هنوز عوامل آنها به درستی شناخته نشده است. به غیر از بکارگیری علوم شیمی برای مقابله با خوردگی، استفاده از سایر علوم در کنترل و پیش­بینی خوردگی و استفاده ...

پایان‌نامه کارشناسی‌ارشد گرایش ابزاردقیق و اتوماسیون در صنعت نفت چکیده پیش­بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی گاز با استفاده از شبکه عصبی خوردگی پدیده­ای است که به علت تأثیر عوامل مختلف، پیچیدگی بسیار زیادی دارد و به راحتی قابل مدلسازی نیست. جهت پیش­بینی و مدلسازی خوردگی به واکنش­ها و فرآیندهای فیزیکی، شیمیایی و الکتروشیمیایی آن توجه می­شود و مدلسازی بر اساس آن انجام ...

پایان­نامه‌ی کارشناسی ارشد در رشته‌ی مهندسی شیمی (شبیه سازی و کنترل فرآیند) چکیده مدلسازی و شبیه‌سازی فرآیند نمک‌ زدایی الکترو استاتیک نفت‌ خام به کوشش الهام آریافرد هدف از این پژوهش مدلسازی فرآیند نمک‌زدایی از نفت خام بر اساس روش موازنه جمعیت می‌باشد. بدین منظور فرآیند نمک‌زدایی الکترواستاتیک یک و دو مرحله‌ای که شامل شیر اختلاط و مخزن الکترواستاتیک می‌باشد، در حالت پایا مدلسازی ...

پایان‌نامه دکتری در رشته‌ی مهندسی شیمی چکیده بررسی تئوری و تجربی فرآیند پیوسته نمک زدایی از نفت خام سنگین با استفاده از ریز موج ها (Microwaves) و امواج مافوق صوت (Ultrasonic) نمک زدایی از نفت خام اولین مرحله در پالایش نفت می باشد که بدین وسیله ترکیب های نا-مطلوب همراه نفت قبل از اینکه به واحد اصلی برسند جدا می شوند. جهت کاهش نمک موجود در نفت روش های متفاوتی از جمله اضافه کردن ...

پایان نامه مقطع کارشناسی ارشد رشته حقوق بین الملل 1- هدف پژوهش (حداکثر دو خط): بررسی کلیه قراردادهای بین‌المللی نفتی ایران از بدو انعقاد قرارداد امتیازی 1901 دارسی تا کنون و شناخت ویژگیهای نظام حقوقی هر یک و قیاس آنان با یکدیگر و همچنین مقایسه با قراردادهایی که سایر کشورهای نفت‌خیز درآن زمینه منعقد نموده‌اند. 2) روش نمونه گیری افراد نمونه از نظر تعداد ، جنس و غیره (حداکثر دو ...

پایان نامه کارشناسی ارشد در رشته مهندسی شیمی (بدون گرایش) چکیده مطالعه آزمایشگاهی پدیده ی سایش مایع حاوی شن در خطوط لوله در این کار، به بررسی پدیده­­ی سایش ایجاد شده به واسطه­ی حرکت سیالات دو فازی در خطوط لوله پرداخته شده است. سیال مورد بررسی متشکل از دو فاز مایع و جامد می­باشد. فاز مایع، آب می­باشد، ذرات شن نیز فاز جامد را تشکیل می­دهند. در این تحقیق پارامتر­های تأثیر­گذار بر ...

پایان نامه کارشناسی ارشد رشته مهندسی عمران – سازه‌ های هیدرولیکی چکیده: رودخانه‌ ها از مهم‌ترین و متداول‌ترین منابع تأمین آب آشامیدنی، کشاورزی و صنعتی به شمار می‌آیند. این منابع به علت عبور از بسترهای مختلف و ارتباط مستقیم با محیط پیرامون خود نوسانات کیفی زیادی دارند. از اینرو پیش‌بینی کیفیت جریان رودخانه‌ها که پدیده‌ای غیر قطعی، تصادفی و تأثیرپذیر از برخی عوامل طبیعی و غیر ...

پایان نامه برای دریافت درجه کارشناسی ارشد(M.Sc) چکیده شبکه حسگر بی سیم، شبکه ای است که از تعداد زیادی گره کوچک تشکیل شده است. گره از طریق حسگرها اطلاعات محیط را دریافت می‌کند. انرژی مصرفی گره‌ها معمولاً از طریق باتری تامین می‌شود که در اکثر موارد امکان جایگزینی این باتری‌ها وجود ندارد. بنابراین توان مصرفی گره‌ها موضوع مهمی در این شبکه ها است. و استفاده از روش‌های دقیق و سریع ...

پايان نامه جهت اخذ درجه کارشناسي ارشد رشته صنايع – مديريت سيستم و بهره وري زمستان 1392 چکيده بيمه عمر را مي‌توان يکي از هوشمندانه ترين ابداعات بشر در راستاي تامين امنيت و آرامش

ثبت سفارش