پیش بینی فشار رسوب آسفالتین و فشار نقطه حباب طی تزریق گاز co2 با استفاده نظریه های از هوش مصنوعی

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 893

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IPEC03_141

تاریخ نمایه سازی: 7 تیر 1393

چکیده مقاله:

با وجود آنکه تزریق امتزاجیco2یکی از رایج ترین روش های ازدیاد برداشت از نفت می باشد. می تواند باعث تغیر خواص سیالات نفتی و نیز بروز برخی مشکلات مانند تشکیل رسوب آسفالتین شود, که خود منجر به کاهش تزریق پذیری و قابلیتتولید چاههای نفت و گرفتگی دهانه چاه یا تسهیلات سرچاهی میگردد. حداکثر مقدار تشکیل رسوب آسفالتین در نزدیکی فشار و غلظت اشباع سیال می باشد.با توجه به توضیحات داده شده فشار شروع انعقاد آسفالتین 1 و همچنین فشار بیشترین حجم تشکیل رسوب فشار نقطه حباب 2 از اهمیت خاصی جهت بهینه سازی عملیات تزریق امتزاجی co2 برخوردار می باشد. هدف این تحقیق پیش بینی فشار شروع انعقاد آسفالتین و فشار نقطه حباب سیال مخزن با استفاده از مدل های توسعه داده شده هوش مصنوعی که شامل یک نرم افزار شبیه ساز به نامIntelligent Proxy Simulator(IPS بر اساس ساختار شبکه های عصبی مصنوعی با استفاده از دو الگوریتم آموزشی پس انتشار خطا 3 و الگوریتم بهینه سازی اجتماع ذرات 4 می باشد. این دو پارامتردر دو مرحله به صورت همزمان و با یک خطا و در مرحله دیگر به صورت تک خروجی و دو خطا پیش بینی شده اند. مدل دیگر برگرفته شده از نظریه های هوش مصنوعی سامانه استنتاج عصبی- فازی است که ترکیبی از منطق فازی و شبکه هایعصبی می باشد. که در ادامه جهت ارزیابی نتایج پیش بینی های شبکه های توسعه داده شده هوش مصنوعی در پیش بینیفشار شروع انعقاد آسفالتین از مدل جامد ترمودینامیکی با استفاده از نرم افزارWinprop و جهت اعتبار سنجی نتایج حاصل شده در پیش بینی فشار نقطه حباب از یک رابطه خطی به نامStandingاستفاده شده است. در پایان نتایج بدست آمده درمدل های هوش مصنوعی در پیش بینی فشار شروع انعقاد آسفالتین و فشار نقطه حباب طی تزریقco2نتیجه بسیار رضایت بخش تری به ترتیب نسبت به مدل جامد ترمودینامکی و مدلStandingداشته اند همچنین موکد این مطلب می باشد که در شرایطی که نیاز به پیش بینی دو یا چندین پارامتر برای یک مسئله پیچیده باشد به جای محاسبه تک تک آنها با روش های متفاوت و خطاهای غیر یکسان و نا برابر می توان تمامی پارامترهای مورد نظر را با خطای برابر و نسبتا پایین نسبت به داده های آزمایشگاهی به وسیله شبکه عصبی مصنوعی با استفاده از شبیه سازIPSو مدلANFISپیش بینی کرد.

کلیدواژه ها:

فشار شروع رسوب آسقالتین ، فشارنقطه حباب ، ، الگوریتم پس انتشار خطا ، الگوریتم بهینه سازی ازدحام ذرات ، سامانه استنتاج عصبی – فازی

نویسندگان

رضا بهوندی

دانشگاه آزاد اسلامی واحد علوم و تحقیقات

احسان خامه چی

دانشگاه صنعتی امیرکبیر

فریبرز رشیدی

دانشگاه صنعتی امیرکبیر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • منهاج، محمد باقر، مبانی شبکه های عصبی ؛ جلد اول، ...
  • - Asghari, SPE, M. Dong, SPE, "Development of a Correlation ...
  • : Peramanus .et, al, "Flow loop apparatus to study the ...
  • : Hirschberg A., "Influence of temperature and pressure on asphaltene ...
  • : Srivastava, R. S.; Huang, S. S. Asphaltene Deposition during ...
  • _ Takahashi, S.; Hayashi, Y.; Yazawa, N.; Sarma, H. Characteri ...
  • : Verdier, S.; Carrier, H.; Andersen, S. I.; Daridon, J.-L. ...
  • : Sunil kokal , Abdullah Al-Ghamdi, Dimitrios Krinis, _ Asphaltene ...
  • : J. Kennedy and R. Eberhart, _ TParticleSwarm Optimization, " ...
  • نمایش کامل مراجع