آنالیز غربالگری روش های مختلف ازدیاد برداشت نفت با استفاده از شبکه های عصبی مصنوعی برای تعدادی از مخازن جنوب غرب ایران

یادگیری به عنوان یکی از اجزاء اصلی رفتار هوشمندانه، توجه بسیاری از محققان هوش مصنوعی را در سال های اخیر به خود جلب کرده است و توجه به کاربرد تکنیک های یادگیری ماشین در صنعت نفت نیز به طور فزایندهای در حال افزایش است. از طرفی، امروزه اکثر مخازن بزرگ نفتی کشور در نیمه دوم عمر تولیدی خود قرار دارند و بهره دهی این مخازن به تدریج رو به کاهش است؛ بنابراین، توجه به روش های ازدیاد برداشت نفت به منظور حفظ توان تولید این مخازن ضروری است. در این تحقیق، سهم تولیدی حاصل از اعمال روش های ازدیاد برداشت که معرف مقدار اضافه تولید نفت در صورت استفاده از این روش هاست، پیش بینی شده است. به این منظور، به ازای سه فرآیند ازدیاد برداشت با استفاده از تزریق گاز دی اکسید کربن، تزریق گازهای هیدروکربوری و روش حرارتی، سه شبکه عصبی مصنوعی طراحی شده است که با استفاده از هفت پارامتر شامل خواص سنگ و سیال مخزن(تخلخل، تراوایی، گراویتی و ویسکوزیته) و نیز دما، عمق و اشباع نفت قبل از تزریق به عنوان ورودی، می تواند با دقت خوبی، سهم تولیدی حاصل از اعمال سه فرآیند مذکور را پیش بینی نماید. در نتیجه این بررسی، ضرایب همبستگی 78/0، 93/0 و 89/0 بین مقادیر واقعی و پیشبینی شده برای سه فرآیند ذکر شده به دست آمد. در انتها، جهت اعتبارسنجی و استفاده از شبکه طراحی شده، سهم مربوط به ازدیاد برداشت 27 مخزن به تفکیک روش(تزریق دی اکسید کربن، تزریق گازهای هیدروکربوری و روش های حرارتی) محاسبه شده و بر همین مبنا، بهترین روش برای هر مخزن شناسایی شد.