غربال گری روش های ازدیادبرداشت از مخازن نفتی با استفاده از تلفیق روش های هوش مصنوعی

تصمیم گیری در انتخاب یک یا چند روش ازدیادبرداشتی از میان روش های مختلف، یکی از مراحل حیاتی در فرآیند توسعه میادین نفتی به شمار می رود. انتخاب درست روش افزایش برداشت نقش کلیدی در موفقیت فنی و اقتصادی پروژه های کلان در صنعت نفت دارد. معمولا برای غربال گری و اتخاذ تصمیم مناسب در خصوص تعیین روش های کاندیدای پیاده سازی افزایش برداشت یک مخزن از پارامترهای متعددی همچون، میزان ظرفیت ذخیره مخزن، قابلیت انتقال و عبوردهی سیال، عمق مخزن، ضخامت لایه نفتی، دمای مخزن و گرانروی نفت تاثیرگذار می باشند. هدف و رویکرد اصلی این پژوهش، تلفیق روش های هوش مصنوعی شامل: 1- سیستم های منطق فازی (مبتنی بر دانش انسانی) و 2- شبکه عصبی مصنوعی (داده محور) به عنوان یک ابزار و راه کار مناسب در کاهش عدم قطعیت و غربال گری روش های ازدیادبرداشتی استفاده کرد.در این مطالعه از داده های تاریخچه ازدیاد برداشت مخازن مختلف در سطح دنیا برای تعریف مجموعه های فازی و تعیین قوانین فازی بین متغیرهای ورودی و خروجی استفاده و در نهایت یک مدل فازی ارایه گردید. با توجه به عدم توازن در فراوانی و تعداد برچسب برخی از کلاس ها، طراحی آزمایش و روش سطح پاسخ به عنوان یک راه کار برای آماده سازی داده های ورودی برای مدل شبکه عصبی تک لایه استفاده گردید. مدل شبکه عصبی پیش خور با معماری 20 نرون، تابع فعال سازی سیگموییدی در لایه مخفی و عملکرد مدل با ضریب همبستگی 95 و 92% به ترتیب برای داده آموزش و صحت سنجی، برای تعیین و غربال گری روش های ازدیادبرداشت میادین نفتی استفاده گردید. در نهایت با استفاده از استراتژی الویت بندی و تلفیق نتایج روش های مختلف، الویت کاندیدهای مناسب ازدیادبرداشت تعیین گردید.