عملکرد تزریق دی اکسیدکربن در مخازن تخلیه شده با بکارگیری الگوریتم های شبکه عصبی

تزریق دی اکسید کربن (CO₂) در مخازن نفتی، روشی موثر برای افزایش برداشت نفت و ذخیره سازی CO₂ است. در این مطالعه، از شبکه عصبی مصنوعی (ANN) برای پیش بینی میزان بازیابی نفت و ظرفیت ذخیره سازی CO₂ در مخازن تخلیه شده (ROZ) با توجه به عدم قطعیت های زمین شناسی و عملیات چاه استفاده شد. داده های میدانی منطقه Smeaheia، نروژ، شامل ۱۴ ویژگی کلیدی برای بهینه سازی تزریق CO₂ شناسایی گردید. دو مدل شبکه عصبی MLP و RBF در این پژوهش بکار گرفته شد و دقت آنها به ترتیب ۹۱٫۳۶٪ و ۹۴٫۶۳٪ ارزیابی شد. به منظور بهینه سازی ویژگی ها و کاهش ابعاد داده ها، الگوریتم گرگ خاکستری استفاده شد که به انتخاب ۱۰ ویژگی موثر انجامید. این ویژگی ها شامل نفوذپذیری، فشار چاه، حجم منافذ، تراکم پذیری، و نسبت تخلخل به ارتفاع بودند. مدل های بهینه سازی شده دقت پیش بینی تزریق CO₂ را در مدل MLP به ۹۷٫۴۶٪ و در مدل RBF به ۹۸٫۹۷٪ افزایش دادند. این نتایج نشان می دهد که ترکیب ANN و انتخاب ویژگی بهینه، می تواند به عنوان ابزاری قدرتمند برای پیش بینی و مدیریت تزریق CO₂ در مخازن نفتی باشد.

عملکرد تزریق دی اکسیدکربن در مخازن تخلیه شده با بکارگیری الگوریتم های شبکه عصبی Keywords:

تزریق دی اکسیدکربن , مخازن تخلیه شده (ROZ) , ازدیاد برداشت , شبکه عصبی مصنوعی.