ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

تخمین خواص PVT نفت با به کار گیری شبکه های عصبی مصنوعی و مقایسه نتایج با روابط تجربی

Year: 1397
COI: OGPD07_007
Language: PersianView: 505
This Paper With 12 Page And PDF Format Ready To Download
محتوای کامل این Paper با فرمت WORD هم قابل دریافت می باشد.

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 12 صفحه است به صورت فایل PDF و یا WORD در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

حمیدرضا بلیله وند - دانشگاه صنعت نفت
سوران محمودپور - دانشگاه صنعت نفت

Abstract:

اهمیت خواص فشار، حجم و دما (PVT) فشار حباب، نسبت حلالیت گاز به نفت و ضریب حجمی نفت، تعیین دقیق این خواص جهت محاسبات عملکرد مخزن را ضروری ساخته است. هنگام نبود اندازگیری های آزمایشگاهی برای تعیین خواص PVT نفت خام، دو روش که بطور معمول مورد استفاده قرار می گیرند، عبارت اند از معادله حالت و روابط تجربی PVT. معادله حالت بر اساس آگاهی از جزییات ترکیبات سیالات مخزن پایه گذاری شده است که تعیین اینگونه کمیت ها بسیار گران و زمان بر است. در حالی که روابط PVT بر اساس داده های بدست آمده از لایه های زمین که براحتی اندازه گیری می شوند، پایه گذاری شده اند. این داده ها عبارت اند از فشار مخزن، دمای مخزن و وزن مخصوص نفت و گاز. مطالعه دقیق این روابط نشان می دهد که آنها از دقت کافی برای تعیین خواص نفت خام، در میدان های مختلف نفتی برخوردار نیستند، زیرا معمولا برای ایجاد این نوع روابط از داده های مناطق مشخصی استفاده شده است.مطالعات چند سال اخیر نشان می دهد که شبکه های عصبی مصنوعی از قابلیت بسیار خوبی برای پیش بینی خواص PVT برخوردارند. با توجه به قابلیت آموزش در شبکه های عصبی، این شبکه ها به سرعت کاربرد مهندسی پیدا کردند و به ویژه به صورت گسترده در مهندسی نفت استفاده گردیدند. تخمین تخلخل و تراوایی مخازن، پیش بینی دبی تولیدی چاه های نفت، تخمین میزان بازیافت نفت، پیش بینی رسوب آسفالتین و تخمین خواص PVT از جمله مهم ترین کاربردهایی است که تاکنون از شبکه های عصبی مصنوعی در مهندسی نفت صورت گرفته است.با تهیه و جمع آوری بیش از 1000 داده PVT مربوط به مخازن جنوب ایران، 577 داده جهت استفاده در پروژه انتخاب و به صورت تصادفی به دو قسمت تقسیم شدند که 486 داده جهت آموزش شبکه و 91 داده برای تست شبکه مورد استفاده قرار گرفت . پس از بررسی حالت های مختلف ، ساختار سه لایه ( یک لایه پنهان با 6 نرون) به عنوان بهینه ترین ساختار و روش آموزش پس انتشار دسته ای به عنوان بهترین الگوریتم یادگیری انتخاب گردید.نتایج به دست آمده حاکی از دقت بالای شبکه می باشد به طوری که میانگین خطای نسبی در محاسبه ضریب حجمی و چگالی نفت داده های استفاده شده در آموزش به ترتیب 0.557 و 0.509 درصد و در داده های استفاده شده در تست شبکه به ترتیب 1.032 و 1.104 درصد بدست آمد.

Keywords:

نرون، شبکه عصبی، پس انتشار خطا، کاربرد شبکه عصبی، خواص PVT، مخازن فوق اشباع

Paper COI Code

This Paper COI Code is OGPD07_007. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/769088/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
بلیله وند، حمیدرضا و محمودپور، سوران،1397،تخمین خواص PVT نفت با به کار گیری شبکه های عصبی مصنوعی و مقایسه نتایج با روابط تجربی،The Seventh International Conference of Oil , Gas , Refining & Petrochemical with focus on Relationship Between Government , University and Industry،Shiraz،،،https://civilica.com/doc/769088

Research Info Management

Certificate | Report | من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

Scientometrics

The specifications of the publisher center of this Paper are as follows:
Type of center: دانشگاه دولتی
Paper count: 1,942
In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

مقالات پیشنهادی مرتبط

New Papers

Share this page

More information about COI

COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

Support