به‌كارگيري روش شبكه‌هاي عصبي مصنوعي براي پيش‌بيني دبي تزريق بهينه‌گاز در سيستم‌هاي فرازآوري با گاز به‌صورت پيوسته

Implementation of Artificial Neural Networks Approach For Prediction of Optimum Gas InjectionRate in Continuous Gas Lifts Systems

فرازآوري با گاز يكي از متداول‌ترين روش‌هاي فرازآوري مصنوعي است كه در بهره‌برداري از منابع هيدروكربوري مورد استفاده قرار مي‌گيرد. فرازآوري با گاز درصورتي استفاده مي‌شود كه مخزن، فشار لازم براي رساندن سيال توليدي به سرچاه را نداشته باشد يا دبي سيال توليدي، اقتصادي نباشد. تا به‌حال روش‌هاي مختلفي براي بهينه‌سازي فرآيند فرازآوري با گاز كه همه آن‌ها ازآناليز نودال بهره مي‌برند، ارايه شده است. مقاله پيش‌رو مدلي جديد را براي پيش‌بيني دبي تزريق گاز در فرايند فرازآوري با گاز، با استفاده از شبكه عصبي مصنوعي ارايه كرده است. براي اين مطالعه، ابتدا مشخصات 134 چاه حفاري شده در ايران كه باتوجه به افت فشار مخزن، شرايط كانديدا شدن براي توليد با استفاده ازفرازآوري با گاز را دارند، جمع‌آوري و طبقه‌بندي شد. سپس، به‌منظور يافتن دبي بهينه تزريق گاز براي رسيدن به ماكزيمم نرخ توليد، اين چاه‌ها درنرم‌افزار PROSPER مدل‌سازي شدند. درنهايت، با استفاده از اطلاعات خروجي نرم افزار، شبكه عصبي مناسب طراحي گرديد. فشارجرياني سرچاه، فشارجرياني ته چاه، شاخص بهره‌دهي، قطرداخلي لوله مغزي، عمق محل مشبك كاري، درصد برش آب، ماكزيمم دبي توليد نفت، عمق تزريق گاز، چگالي مخصوص گاز تزريقي، فشار استاتيك ته‌چاه، چگالي نفت، نسبت گاز به نفت، فشار نقطه حباب و دماي مخزن، پارامترهاي ورودي و دبي بهينه تزريق گاز، به‌عنوان پارامتر خروجي شبكه عصبي تعريف گرديد. همچنين 70 درصد از چاه‌ها(94چاه) براي آموزش، 15درصد‌(20چاه) براي تست و 15درصد(20چاه) باقيمانده براي ارزيابي عموميت شبكه اختصاص داده شد. با بررسي خطاهاي آماري به‌دست آمده از اين شبكه مي‌توان نتيجه گرفت كه روش ارايه شده براي يافتن دبي بهينه تزريق گاز، روشي سريع، دقيق و بي‌نياز از روش‌هاي نرم‌افزاري ارايه شده پيشين است.

Gas Lift Is One Of The Most Common Artificial Lift Methods Which Has Been Used In Petroleum Production When The Energy Of The Reservoir Is Not Sufficient To Recover Oil In The Well Up To The Surface With Adequate Economical Return. Numerous Approaches Have Been Utilized For Gas Lift Optimization Where The Nodal Analysis Is Typically Applied. This Study Presents A New Model To Predict Optimum Gas Injection Rate Using ANN Approach. To This End, Data Points Recorded In More Than 134 Wells Of Iranian Oil Reservoirs, Which Can Be Good Candidates For Gas Lift Operation Have Been Collected. Afterward, To Obtain The Optimum Gas Injection Rate For Achieving The Maximum Oil Production, All Wells Have Been Modeled Using PROSPER Software. Well Head Flowing Pressure, Bottom Hole Flowing Pressure, Productivity Index, Tubing Inner Diameter, Mid Perforation Depth, Water-Cut Percent, Maximum Oil Production Rate, Injection Depth, Injection Gas Gravity, Bottom Hole Static Pressure, Oil Gravity (API), Gas Oil Ratio, Bubble Point Pressure And Reservoir Temperature Have Been Selected As The Input Variables Of The Network And The Optimum Gas Injection Rate Was Considered As The Network Output. 70% Of Data Have Been Implemented To Find The Best ANN Structure, 15% To Optimize The Network Generalization And The Last 15% As A Completely Independent Set To Test The Network Capability And Accuracy. Both Statistical And Graphical Error Analyses Have Been Employed To Study The Validity And Accuracy Of The Proposed Model. It Was Found That The Predictions Of This Method Are In Acceptable Agreement With Obtained Results From PROSPER Software Indicating The Capability Of ANN For Prediction Of Optimum Gas Injection Rate For Gas Lift Operations. This Methodology Provides A New Way To Speed Up The Calculations And To Bypass The Use Of Time Consuming Software. Keywords: Gas Lift; Optimum Gas Injection Rate; Artificial Neural Network; Statistical Error Analysis