ارسل ملاحظاتك

ارسل ملاحظاتك لنا







Optimization of Hydraulic Fracturing in a Tight Gas Reservoir Using Artificial Neural Network: A Case Study

المؤلف الرئيسي: Al-Shuaibi, Hasna Abdullah Nasser (Author)
مؤلفين آخرين: Al Wadhahi, Majid Ahmed (Advisor) , Al Maamari, Rashid S. (Advisor)
التاريخ الميلادي: 2019
موقع: مسقط
الصفحات: 1 - 143
رقم MD: 1049390
نوع المحتوى: رسائل جامعية
اللغة: الإنجليزية
الدرجة العلمية: رسالة ماجستير
الجامعة: جامعة السلطان قابوس
الكلية: كلية الهندسة
الدولة: عمان
قواعد المعلومات: Dissertations
مواضيع:
رابط المحتوى:
صورة الغلاف QR قانون

عدد مرات التحميل

34

حفظ في:
المستخلص: تعد المكامن غير التقليدية ذات النفاذية الضعيفة جدا موردا هاما للهيدروكربونات. يتضمن الإنتاج الناجح للهيدروكربونات من تلك المكامن تقنيات متقدمة في الحفر الأفقي والتكسير الهيدروليكي متعدد المراحل. إجراء تصميم دقيق لتقنية التكسير الهيدروليكي وتنفيذها وتقييمها جراد ضروري من أجل ضمان أداء ما بعد التكسير وتحسين التكلفة. على الرغم من أن الآلاف من الآبار قد تم حفرها واستكمالها باستخدام هذه التقنيات، فهناك عدد قليل نسبيا من أدوات المحاكاة المتاحة للصناعة ومصممة خصيصا لهذه التطبيقات، مما يترك الكثير من عملية ضبط جودة أداء هذه التقنيات إلى التجربة والخطأ أو من خلال الاستفادة من تجارب المهندسين السابقة في إنتاج الآبار والتي جميعها مكلفة وتستغرق وقتا طويلا ولا يمكن أن تضمن مستوى مقبول لنجاحها. على الرغم من الجهود المبذولة لتحسين الأداء، ومن أجل ضمان الإنتاج المستهدف بعد تقنية التكسير الهيدروليكي، إلا أن هذا النوع من المشاريع لا يزال يمثل تحديا كبيرا للقائمين عليها. التفسيرات المحتملة لهذه التحديات هي عدم وجود آليات واضحة لتصميم عمليات التكسير الهيدروليكي لهذا النوع من المكامن (نفاذية منخفضة وعالية) واستخدام منهجيات التصميم التقليدية (توصيات بناءا على ممارسات سابقة) كقاعدة عامة لتطوير المكامن غير التقليدية. إلى جانب ذلك، قد لا يتحقق تحسين أداء هذه المشاريع بسبب عدم دقة المعلومات المستخدمة كمدخلات في برامج المحاكاة. أخيرا، لا يزال هناك الكثير من عدم اليقين في تحديد العوامل الرئيسية المؤثرة في تصميم وأداء التكسير الهيدروليكي. لذلك، من المهم بالنسبة للمهندسين تطوير آلية سريعة وموثوق بها لتحليل وتوقع أداء جيد بناء على المعرفة المستنبطة من البيانات المتوفرة الحالية والسابقة. سيؤدي هذا إلى تحديد النمط الحالي في حقل معين وترجمة التجارب والوظائف السابقة إلى أداة يمكن للمهندسين الاستفادة منها لدعم القرارات المتعلقة بتصميم عمليات التكسير الهيدروليكي في المستقبل. لتحقيق ذلك، تم تصميم وتدريب وتطبيق ثلاث شبكات عصبية اصطناعية (الذكاء الاصطناعي) على حقل غاز ذو نفاذية ضعيفة جدا. حيث تستخدم الشبكة الأولى للتنبؤ ببعض معلومات تصميم التكسير الهيدروليكي التي يمكن التحكم فيها باستخدام خصائص المكمن الهيدروكربوني وبئر الإنتاج ومخرجات البيانات الفعلية الناتجة عن عملية التكسير. أما الشبكة الثانية فتستخدم للتنبؤ بالعديد من مخرجات البيانات الفعلية لعملية التكسير للمساعدة في تحسين تصميم معالجة التكسير الهيدروليكي الأساسي وكذلك لتوصيف المكمن الهيدروكربوني المعني باستخدام خصائص البئر والمكمن وبيانات تصميم التكسير الهيدروليكي. في الشبكة الثالثة إضافة نسب الإنتاج المتوقعة من عملية التكسير الهيدروليكي إلى التصميم الموجود في الشبكة الثانية. بالإضافة إلى ذلك، تم استخدام النماذج النهائية التي تم الحصول عليها من الشبكات العصبية الاصطناعية لتحديد أهم العوامل المؤثرة على عملية التكسير الهيدروليكي بتحليل العلاقات التي تربط المعطيات والمخرجات كل على حده في الشبكة العصبية الاصطناعية. أظهرت نتائج هذه الدراسة أن الشبكات العصبية الاصطناعية قادرة على تقدير الخصائص المبهمة في عمليات التكسير الهيدروليكي مع هامش خطأ بنسبة 10.4% و6.4% و6.6% على التوالي للشبكات الأولي والثانية. علاوة على ذلك، فإن الشبكتين العصبيتين المطورتين تسير أن جنبا إلى جنب مع طريقة تستخدم على نطاق واسع للتكسير الهيدروليكي والتي تتكون من ثلاث عمليات رئيسية وهي: التصميم والتنفيذ والتقييم. حيث يتم تصميم عملية التكسير الهيدروليكي في الشبكة الأولى، بينما تمثل الشبكة الثانية العمليتين الأخريين. هذا يدل على أن هذه الدراسة تتوافق مع الممارسات الحالية ومفيدة في تطوير نماذج التنبؤ والتكسير الهيدروليكي الأمثل. تم تحويل الشبكات المتقدمة أيضا إلى واجهة مستخدم رسومية، لجعلها أكثر سهولة للمستخدمين للوصول إلى الشبكات.