مقایسة روابط تجربی و تکنیک شبکة عصبی مصنوعی در تخمین خواص PVT نفتهای خام ایران

خواص سیال مخزن در محاسبات مهندسی مخزن مانند محاسبات موازنة جرم، آنالیز چاه آزمایی، تخمین ذخیرة مخزن، طراحی فرآیندهای بازیافت بهینه، ازدیاد تولید هیدروکربنها و شبیه سازی عددی مخزن، بسیار مهم می باشند . به صورت ایده آل، این خواص باید از اندازه گیری های واقعی آزمایشگاهی به دست آیند . با این حال، در بسیاری از موارد این اندازه گیری ها یا در دسترس نبوده و یا دستیابی به آنها هزینه بر می باشد . در این موارد، روابط تجربی ) ) Correlations جهت پیش بینی خواص مورد نیاز به کار می روند . بنابراین کیفیت و دقت تمام محاسبات مذکور به دقت روابط به کار رفته در پیش بینی خواص سیال، وابسته است . [1] جهت تعیین خواص فشار - حجم - دما ) ) PVT مربوط به سیالات هیدروکربوری مخازن نفتی، روابط تجربی متعددی ارائه شده است . سیالات نفتی مناطق گوناگون، خواص هیدروکربوری متفاوتی دارند . لذا می بایست این روابط تجربی در سیستم های هیدروکربوری گوناگون، از لحاظ دقت تخمین و دامنة کاربرد، مورد بررسی قرار گیرند . [2] این مطالعه به بررسی روابط تجربی گوناگون، جهت تعیین اعتبار کاربرد آنها در مورد سیالات هیدروکربوری میادین نفتی ایران پرداخته، محدودیت های این روابط در کاربرد بر روی داده های ایران را مورد تجزیه و تحلیل قرار داده و سپس مدل جدید شبکة عصبی مصنوعی را جهت تخمین خواص PVT نفت های خام ایران ارائه می دهد . در این راستا تعداد 130 سری دادة PVT متعلق به نمونه های نفتی گوناگون از میادین هیدروکربوری ایران در این مطالعه استفاده شده است . از مقایسة بین نتایج به دست آمده، مشخص می گردد که مدل شبکة عصبی مصنوعی، دقت بهتری جهت تخمین فشار اشباع نسبت به سایر روابط تجربی ارائه شده دارا می باشد . علاوه بر این جهت تخمین ضریب حجمی نفت سازند در فشار اشباع، مدل شبکة عصبی مصنوعی دارای حداکثرضریب همبستگی نسبت به سایر روابط می باشد . شبکه های عصبی مصنوعی همراه با برخی از تئوریها و الگوریتم ها یک علم جدید را ایجاد نموده اند . این علم جدید، بدن انسان را به عنوان یک منشأ عالی در نظر می گیرد، که با استفاده از آن می توان برخی اصول و سیستم های زیستی ) ) Biologic را جهت حل بسیاری از مسائل علمی و مهندسی به کار گرفت . آزمایش شبکه های عصبی مصنوعی در بسیاری از حوزه ها از جمله تشخیص الگو یا طبقه بندی هوشمند، پیش بینی و توسعة روابط تجربی با موفقیت همراه بوده است . اخیر اً شبکه های عصبی در کاربردهای مهندسی نفت عمومیت یافته اند . [3] در این مطالعه به تشریح کاربرد این تکنیک در تعیین و پیش بینی پارامترهای PVT می پردازیم .

Keywords:

خواص PVT نفت خام , رفتار فازی , روابط تجربی , شبکة عصبی مصنوعی