ارائه یک مدل هوشمند به منظور پیش بینی قابلیت هدایت شکاف در فرآیند لایه شکافی با اسید
Publish place: First National Iranian Petroleum Conference
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 710
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NIPC01_097
تاریخ نمایه سازی: 28 فروردین 1393
Abstract:
با رشد روز افزون نیاز جهان به انرژی و افزایش تقاضای جهانی نفت و گاز، فرآیندهای افزایش تولید چاه محوریکی از روش های متداول جهت پاسخ به این نیاز می باشد. فرایند لایه شکافی با اسید یکی از این روش های متداولو با سابقه در این حوزه می باشد. در این فرایند، پس از ایجاد شکاف در دیواره اطراف چاه، اسید به درون شکاف ها جریان پیدا می کند و پس از واکنش با سطح دیواره های شکاف، شیارهایی را روی سطح سنگ بوجود می آورد که پس از اتمام عملیات و بسته شدن شکاف ها باعث افزایش نفوذ پذیری اطراف چاه و به تبع آن افزایش میزان تولید میگردد. یکی از پارامترهای بسیار مهم در طراحی فرآیند لایه شکافی با اسید، قابلیت هدایت شکاف است. از سه دهه اخیر تا کنون تلاش هایی متعددی برای بدست آوردن روابط و مدل هایی جهت پیش بینی قابلیت هدایتشکاف صورت گرفته است. این مدل ها که به دو گروه مدل های تئوری و مدل های تجربی تقسیم بندی می شوند دارای نقاط ضعف و قوتی می باشند. در مدل های تجربی با انجام آزمایش های مختلف و تحلیل نتایج، رابطه ایمیان قابلیت هدایت شکاف و پارامترهای تاثیر گذار مانند دبی تزریق، قدرت انحلال اسید، استحکام سنگ، فشار بشته شدن شکاف و هندسه شکاف بر قرار می گردد. در این مقاله سعی شده است تا با استفاده از توانمندی های شبکه های عصبی مدلی ارائه گردد تا در عین سادگی از دقت بالایی نیز برخوردار باشد. نتایج بدست آمده نشان می- دهد مدل پیشنهادی ضمن سادگی از مدل های مشابه خود دقیق ترمی باشد.
Keywords:
Authors
محمدرضا اکبری
دانشجوی رشته مهندسی نفت دانشکده مهندسی نفت دانشگاه صنعتی امیرکبیر
محمدجواد عامری
عضو هیئت علمی دانشکده مهندسی نفت دانشگاه صنعتی امیرکبیر
یاسر معتمدی
دانشجوی رشته مهندسی نفت دانشکده مهندسی نفت دانشگاه صنعتی امیرکبیر
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :