دوره 1391، شماره 91 - ( 8-1391 )                   جلد 1391 شماره 91 صفحات 46-49 | برگشت به فهرست نسخه ها

XML Print


1- جهاد دانشگاهی واحد زنجان
2- عضو هیات علمی دانشگاه صنعت نفت
چکیده:   (5128 مشاهده)
فشار نقطه حباب، نسبت گاز محلول به نفت و ضریب انبساط حجمی نفت سه ویژگی مهم سیال مخزن هستند که در محاسبات مهندسی نفت کاربرد زیادی دارند. برای پیش بینی این ویژگی ها، یک شبکه عصبی مصنوعی براساس 75 مجموعه داده که ازگزارش های PVT مخازن جنوبی ایران جمع آوری شده اند، فراهم شده است. این مدل درصد مولی اجزای هیدروکربنی و غیرهیدروکربنی (C1-C11, C12+ , H2S, CO2, N2)، وزن مخصوص C12+، جرم مولکولی C12+و دمای مخزن را دریافت می کند و فشار نقطه حباب، نسبت گاز محلول به نفت و ضریب انبساط حجمی نفت را پیش بینی می کند. این مدل شبکۀ عصبی Backpropagation است که الگوریتم Bayesian regularization آن را آموزش داده است. تعمیم پذیر بودن این مدل به وسیلۀ 18 مجموعه داده مجزا آزمایش شد و مدل توانست فشار نقطه حباب، نسبت گاز محلول به نفت و ضریب انبساط حجمی نفت را به ترتیب با میانگین خطای نسبی مطلق 559/2، 533/4، 871/5 درصد پیش بینی کند. همچنین این شبکه هر سه ویژگی را با ضریب همبستگی بالاتر از 95% پیش بینی کرد.
متن کامل [PDF 1365 kb]   (866 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مخزن
دریافت: ۱۳۹۲/۸/۲۶ | پذیرش: ۱۳۹۲/۹/۲۴ | انتشار: ۱۳۹۲/۹/۲۴