پیش بینی خواص PVT نفت خام با استفاده از روش های هوش مصنوعی

پیش بینی دقیق رفتار فازی و تعیین خواص سیالات مخزن مهمترین بخش از مطالعات یک میدان نفتی است و دانش کافی از خواص PVT نفت اهمیت زیادی در محاسبات مهندسی مخازن دارد. این خواص در مواردی از جمله : محاسبات توازن مواد، آنالیز های سر چاهی، پیش بینی رفتار مخزن، جریان سیال در محیط متخلخل، شبیه سازی عددی مخزن کاربرد دارد. خواص سیال مانند نقطه فشار حبابی و فاکتور تشکیل حجم نفت (OFVF) مقدمه ی اهمیت اندازه گیری ذخایر قابل بازیافت، تولید ظرفیت و تقریبا تمام جنبه های دیگر محاسبات مهندسی نفت هستند. خواص PVT میتوانند به صورت آزمایشگاهی با استفاده از نمونه های جمع آوری شده درون چاهی یا سر چاهی نفت خام اندازه گرفته شوند و یا از طریق مدل های پیش بینی کننده. اندازه گیری چنین کمیت هایی در آزمایشگاه بسیار پر هزینه و وقت گیر می باشد. در غیاب اطلاعات آزمایشگاهی PVT و برای صرفه جویی در وقت و پول، می توان خواص سیال را توسط روابط و ضرایب همبستگی تجربی پیش بینی کرد. علاوه بر این، معادلات پایداری به طور گسترده ای برای محاسبات خواص PVT سیالات استفاده می شوند.مطالعات تطبیقی بسیاری برای اطمینان از صحت قابلیت معادلات پایداری برای برآورد مشخصه های PVT سیالات مخزن انجام شده است. نتیجه ی کلی این است که برای پیش بینی خواص PVT نفت، از هیچکدام از معادلات پایداری نمیتوان به طور مداوم و در همه ی شرایط مختلف استفاده کرد. تعداد زیادی از روابط همبستگی تجربی برای پیش بینی فشار نقطه حبابی و OFVF توسعه یافته است. اما متاسفانه، روابط و ضرایب همبستگی تجربی که تولید شده اند، اغلب به خاطر تفاوت مشخصات و خواص سیال در مناطق مختلف، محدود بوده و نمی توانند در مقیاسی کلی و جهانی مورد استفاده قرار بگیرند. از این رو ، طراحی مدل های دقیق برای پیش بینی مشخصه های PVT در مخازن نفتی اجتناب ناپذیر می باشد

Keywords:

هوش مصنوعی , شبکه عصبی , محاسبات نرم , PVT , نفت خام