KFUPM ePrints

Artificial Intelligence Techniques in Reservoir Characterization

Adeniran, A. A. (2009) Artificial Intelligence Techniques in Reservoir Characterization. Masters thesis, King Fahd University of Petroleum and Minerals.

[img]PDF (Artificial Intelligence Techniques in Reservoir Characterization)
Available under License Creative Commons Attribution Non-commercial Share Alike.

3710Kb

Arabic Abstract

عنوان الرسالة: تقنيات الذكاء الصطناعي لتوصيف المكامن احد أهم الأهداف في مجال انتاج النفط هو الحصول على تقديرات اولية لكميات الهيدروكربون المتوفرة في اي موقع قبل بدء الاستثمار و التطوير و الانتاج في ذلك الموقع. وتعتبر المسامية والسماحية و تشبع الموائع من أهم الخصائص لوصف و تصنيف المكمن و من ثم تقدير كميات الهيدروكربونات و نمطية انسيابها، و هما عاملان مهمان يستخدمان لايجاد امثل انتاج للحقل. وهناك الكثير من المعادلات التجربية التي تستعمل لتحويل قياسات الآبار لتقدير الخصائص الهامة للحقل. ومؤخرا صار الباحثون يستخدمات الشبكات العصبية الصناعية و خصوصا الشبكات العصبية ذات التغذية الامامية و الانتشار الخلفي (FFNN) للحصول على تقديرات اكثر دقة. وأدى النجاح الذي أحرزه استخدام (FFNN) إلى فتح الباب لتقنيات تعليم الآلة والحوسبة اللينة لتلعب دورا هاما في مجالات انتاج النفط و الغاز. إلا أن النظم التي تستعمل FFNN تعاني من بعض السلبيات، و لهذا تم اقتراح عدد من الطرق التحسينية. وهذا البحث يدرس مدى مناسبة استعمال بعض التطويرات الحديثة في مجال الشبكات العصبية و التي تشمل شبكات الدوال و الشبكات العصبية التضامنية المتتالية وشبكات التراجع العامة، لتقدير المسامية وتشبع المياه و الانسيابية. ونظرا لعدم وجود برامج مكتملة البناء خاصة لبناء شبكات الدوال فقد قمنا بوصف كامل للخطوات و المنهجية لبناء نظام شبكات الدوال ليستخدم في تقدير العوامل سالفة الذكر. كما قمنا أيضا بمقارنة أداء هذه الطرق المختلفة مع اداء طريقة FFNN و مع اداء الطرق التجريبية. وبشكل عام فقد أظهرت النتائج المتحصل عليها أن أداء كلا من شبكات التراجع العامة والشبكات التضامنية المتتالية و شبكات الدوال كانت متفوقة على تلك الخاصة بالشبكات العصبية التقليدية. إضافة لذلك فقد وجد ان طريقة الشبكات التراجعية العامة أكثر قدرة على التعميم والتنبؤ من مدخلات جديدة. بينما كانت شبكات الدوال أسرع وأسهل في عملية التدريب مع تجنب مشاكل الإفراط في التدريب، و الأكثر أهمية هو أننا نحصل على معرفة أعمق للعلاقات الضمنية من معاملات شبكات الدوال. و لذا فإننا نعتقد بان استخدام هذه الطرق سيكون ذا قيمة كبيرة في مجال هندسة النفط.

English Abstract

TITLE OF STUDY: Artificial Intelligence Techniques in Reservoir Characterization One of the major objectives of the petroleum industry is to obtain an accurate estimate of initial hydrocarbon in place before investing in development and production. Porosity, permeability and fluid saturation are the key variables for characterizing a reservoir in order to estimate the volume of hydrocarbons and their flow patterns to optimize the production of a field. Many empirical equations are available to transform well log data to predict these properties. Recently, researchers utilized artificial neural networks (ANNs), particularly feed forward back propagation neural networks (FFNN), to develop more accurate predictions. The success of FFNN opens the door to both machine learning and soft-computing techniques to play a major role in the petroleum, oil, and gas industries. Unfortunately, the developed FFNN correlations have some drawbacks, and as a result several improvements have been proposed. This thesis investigated the suitability of some of the recently proposed advances in neural networks technique including, functional networks (FN), cascaded correlation neural networks, polynomial networks, and general regression neural networks for predicting porosity and water saturation from well logs. Since there is no fully developed software for functional networks, we described both the steps and procedures in developing functional networks to predict these properties. We also compared the performance of these techniques with standard FFNN as well as the empirical correlation models. Generally, the results show that the performance of General Regression neural networks, Functional networks and Cascaded Correlation networks outperform that of standard neural networks. In addition, General Regression Neural networks are more robust while Functional networks are easier and quicker to train with no over-fitting problem, and more importantly we have more insight into the coefficients of the network. Therefore, we believe that the use of these better techniques will be valuable for Petroleum Engineering scientists.



Item Type:Thesis (Masters)
Date:07 February 2009
Date Type:Completion
Subjects:Engineering
Systems
Computer
Petroleum > Reservoir Characterization
Divisions:College Of Computer Sciences and Engineering > Systems Engineering Dept
Creators:Adeniran, A. A.
Email:ahmedade@kfupm.edu.sa
Committee Advisor:Elshafei, M.
Committee Co-Advisor:Hamada, G. M
Committee Members:Khoukhi, Amar and AL-Sunni, Fouad and Al-Amer, Samir Hasan
ID Code:136051
Deposited By:ADEIRAN AHMED
Deposited On:18 Oct 2009 13:55
Last Modified:30 Apr 2011 16:58

Repository Staff Only: item control page