مدلسازی عددی نحوه برداشت از مخازن نفتی به کمک شبکه ی عصبی مصنوعی و الگوریتم ژنتیک به منظور بهینه سازی پارامترهای موثر

پایان نامه
چکیده

در عملیات ازدیاد برداشت، محل چاه ها, عمق چاه ها, نرخ تزریق و نرخ برداشت, زمان برداشت و تعداد چاههای تزریق و برداشت, به عنوان مهمترین پارامترهای تصمیم گیری طوری انتخاب می شوند که در نهایت بیشینه مقدار نفت ممکن با کمترین هزینه در زمان مشخصی استحصال گردد. این امر موجب کاهش هدر رفت آب تزریق شده به مخزن و افزایش برداشت از آن می شود. شبیه سازی مناسب مخازن نفتی مهم ترین موضوع در زمینه ی یافتن نقطه ی بهینه برداشت می باشد. در پروسه ی بهینه سازی به کمک شبیه سازی عددی, به دلیل فراخوانی مکرر این شبیه ساز که با دستگاه معادلات مشتقات پاره ای غیرخطی کوپل است, یافتن پارامترهای بهینه سازی به کمک آن بسیار وقت گیر و مستلزم صرف هزینه است. لذا برای شبیه سازی مخازن نفتی و تهیه ی تابع هدف مورد نیاز برای بهینه سازی از روش شبکه های عصبی مصنوعی استفاده شده است. شبکه های عصبی با الهام از سیستم عصبی بدن انسان ایجاد شده که پس از آموزش مناسب آن به کمک داده های شبیه ساز عددی، می توان از آن برای تقریب تابع هدف (تابعی که باید نقطه ی بهینه را از آن تابع بدست آورد) استفاده کرد. روش بهینه سازی به کار گرفته شده نیز با الهام گرفتن از طبیعت، روش بهینه سازی الگوریتم ژنتیک است که یک روش تصادفی بوده و قابلیت فراوان برای یافتن نقطه ی بهینه اصلی و فرار از تله های محلی(نقاط بهینه ی محلی) را دارا می باشد. بنابراین، این یک روش سریع و مطمئن و با قابلیت های فراوان جهت یافتن نقطه ی بهینه می باشد. در این مطالعه اثر پارامترهای مختلف مخزن در امر بهینه سازی برداشت از مخازن نفتی مورد بررسی قرار گرفته است. پارامترهای موثر در بهینه سازی مانند تعداد چاهها و محل چاههای تزریق و برداشت و نیز دبی تزریق مورد توجه قرار گرفته است. همچنین پارمترهای موثر بر الگوریتم ژنتیک نظیر تعداد جمعیت اولیه، نرخ جهش و نرخ پیوند نیز بررسی گردیده است. این روش نشان می دهد که قابلیت یافتن نقطه ی بهینه ی اصلی را با سرعت زیاد دارا می باشد. این روش می تواند در برنامه های کاربردی وشبیه سازی میدانهای نفتی به دلیل انعطاف پذیری فراوان آن نسبت به تغییر شرایط مخزن مورد استفاده قرار بگیرد و بهینه سازی مخزن در زمان واقعی , موثر واقع شود. مطالعات نشان داد که استفاده از دبی تزریق زیاد در زمان اولیه و افزایش نه چندان زیاد آن در ادامه فرآیند تزریق می تواند بر افزایش عملکرد برداشت از چاه ها کمک شایانی نماید. همچنین نتایج نشان داد که افزایش تعداد چاه های برداشت بر روند برداشت از مخزن تاثیر مثبتی نمی گذارد و گاهی نیز باعث کاهش برداشت از مخزن می شود .البته در مورد افزایش چاه های تزریق باید اشاره کرد که با افزایش تعداد آن ها هر چند تا حدی افزایش در برداشت از مخزن مشاهده می شود, با این وجود با افزایش هر چه بیشتر آن ها ممکن است برداشت از مخزن کاهش یابد. در مورد دبی تزریق و برداشت نیز به این نکته می توان اشاره کرد که در ابتدا باید زیاد بوده تا برداشت از مخزن در بیشترین مقدار خود باشد و در ادامه نیز افزایش چندانی نیافته تا ضریب بازیابی بیشینه گردد.

منابع مشابه

بهینه سازی مشخصات ابعادی در اتصال مواد مرکب چند لایه به کمک شبکه عصبی مصنوعی و الگوریتم ژنتیک

در این مقاله حالات و بارهای گسیختگی برای اتصالات چندپینی در ورق مواد مرکب الیاف شیشه­ای اپوکسی تک جهته، با استفاده از روش اجزای محدود و آزمون­های تجربی تحلیل می­شوند. به علاوه با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک، الگویی معرفی می­شود که در آن پین‌ها در موقعیت بهینه‌شده‌ای قرار ‌گیرند. در اتصالات چند پینی، تغییرات گام نسبت به قطر پین، عرض ورق نسبت به قطر پین و نسبت فاصله از لبه ورق به...

متن کامل

مدلسازی و بهینه سازی تاثیر پارامترهای مؤثر در عملیات اسیدشویی آلیاژ تیتانیم با استفاده از روش شبکه عصبی مصنوعی و الگوریتم ژنتیک

برای حذف لایه آلفای سطحی از سطح  قطعات فورج داغ شده از جنس آلیاژ تیتانیم و بهبود کیفیت سطح معمولاً از فرآیند اسیدشویی استفاده می شود. با توجه به اثر متقابل پارامترهای مؤثر در این فرآیند، بررسی تاثیر پارامترها بر کیفیت سطح قطعه و میزان باربرداری و  بهینه سازی آنها، نیازمند انجام آزمایشات تجربی و استفاده از روشهای مدلسازی است. در این تحقیق، تاثیر پارامترهای دما، مدت عملیات، غلظت اسید های هیدروفلور...

متن کامل

مدل سازی و بهینه سازی واحد تولید هیدروژن با شبکه ی عصبی مصنوعی و الگوریتم ژنتیک

هدف اصلی این پژوهش، مدل سازی واحد صنعتی تولید هیدروژن براساس تبدیل متان با بخار آب با کاربرد شبکه ی عصبی مصنوعی است. عامل های دبی فراورده و انرژی مصرفی به عنوان عامل های خروجی مدل در نظر گرفته شد و دو شبکه ی عصبی مجزا برای پیش بینی این دو عامل مدنظر قرارگرفت. نتیجه های مدل سازی با دقت بسیار خوب، خطای متوسط مطلق، خطای متوسط نسبی و خطای احتمالی بین داده های واقعی کارخانه و مدل را به ترتیب برابر ب...

متن کامل

بهینه سازی بازده نموداری توربین بخار به کمک الگوریتم ژنتیک

امروزه تولید برق مهم­ترین بخش تولید انرژی در صنایع را به خود اختصاص داده است که در این رهگذر، بهینه­سازی مصرف انرژی و توان نیروگاهی می­تواند در صرفه­جویی انرژی مفید واقع شود. یکی از بخش­های مهم نیروگاهی، طراحی و ساخت توربین­ها، اعم از توربین­های هیدرولیکی، بخاری، بادی و هسته­ای می­باشد. بدین منظور طراحی نیروگاه­ها به­عنوان مهم­ترین موضوع مد نظر قرار می­گیرد. در این مقاله، با توجه به روابط مهندس...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی اصفهان - دانشکده مکانیک

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023