KFUPM ePrints

PREDICTION OF CRUDE OIL PVT PROPERTIES BY SOFT COMPUTING TECHNIQUES

Oloso, Munirudeen A. (2009) PREDICTION OF CRUDE OIL PVT PROPERTIES BY SOFT COMPUTING TECHNIQUES. Masters thesis, King Fahd University of Petroleum and Minerals.

[img]PDF
3270Kb

Arabic Abstract

إن توصيف خصائص الضغط والحجم والحرارة للنفط الخام أمر مهم جدا للعديد من الحسابات النفطية كتحديد خصائص الهيدروكربونات المائعة ورفع الغاز وتصميم الأنابيب وحسابات استرداد المخازن بالاستنفاد الطبيعي وتقنيات الانتعاش. ومن هذه الخواص الهامة خاصيتا اللزوجة ونسبة الغاز إلى النفط. ويتم تحديد هذه الخواص عن طريق التحاليل التجريبية لمختلف قيم الضغط، مما يترتب عليه إنفاق للوقت والمال. وللاستعاضة عن هذه التحاليل المخبرية التجريبية المضنية، والمستنفزة للمصادر والمال والزمن، فقد تم اشتقاق معادلات الأحوال EOS تجريبياً للتنبؤ بخواص المخازن. ولقد استمر العمل على هاتين الطريقتين ردحا من الزمن حتى بزغت الطرق البرمجية والمعتمدة على الذكاء الصناعي، وخاصة الخلايا العصبية، لتحسين أداء المتنبئات. لكن هذه الأساليب كلها حتى وقتنا الحاضر لا تزال تعتمد على التنبؤ بالنقطة الواحدة أو بالنقط العديدة، حتى وإن احتيج لمنحنيات كاملة لتمثيل بعض الخواص كالضغط والحجم والحرارة. قمنا في هذه الدراسة بتطوير طريقة جديدة للتنبؤ بخصائص الضغط والحجم والحرارة التي تحتاج في تمثيلها للمنحنيات التي تنتمي قيم المدخلات فيها لمدى معين، مع تبيان ذلك بمثالي اللزوجة والنسبة بين الغاز والنفط. وقد تمت في البداية دراسة عميقة لخصائص المخازن المستهدفة بالاستعانة بنتائج التحاليل المخبرية للضغط والحجم والحرارة. كما أخضعت البيانات لبعض التحاليل الإحصائية لتحديد المتطرفات. ثم تم استكشاف إمكانات التقنيات البرمجية المختلفة للتنبؤ بهذه الخواص. فتم تطوير العديد من نماذج التنبؤ باستخدام انحدار المتجهات الداعمة (SVR) والشبكات الوظيفية والأنظمة العصبية الضبابية المتكيفة والشبكات العصبية الصناعية بالإضافة لنظامين هجينين يعتمدان على خوارزمية التطور التفاضلية مع الشبكات العصبية، والخوارزميات الجينية مع الأنظمة العصبية الضبابية المتكيفة. وكانت النتيجة الحصول على نسبة خطأ صغيرة بمعياري جذر معدل المربعات ومعدل القيم المطلقة. هذا، ونشير إلى أن الطريقة المتبعة في هذا البحث تصلح لأي خاصية من خصائص الضغط والحجم والحرارة ذات القيم المتراوحة على مدى معين من الضغط. وعليه، فإننا نرجو أن يمثل هذا العمل طريقة سريعة ورخيصة للتنبؤ بخصائص الضغط والحجم والحرارة للوصول لأكبر انتاجية نفطية ممكنة.

English Abstract

Characterization of Pressure-Volume-Temperature (PVT) properties of crude oil is important for many types of petroleum calculations, such as, determination of hydrocarbon flowing properties, gas-lift and pipeline design, calculation of oil recovery both from natural depletion and recovery techniques. Two of these important properties are the oil viscosity and gas/oil ratio. An experimental analysis which is both time-consuming and costly is used to determine these properties over the entire range of pressures. To solve the problem of going through these rigorous laboratory experimentations which gulp valuable production resources, time and money, equations of states (EOS) and empirically derived correlations have been used to predict these reservoir fluid properties. These two methods were used for a long time until Soft Computing (SC) /Artificial Intelligence (AI) techniques, basically Neural Networks, were introduced to improve the prediction performances. However, all the prediction methods up to date are for predicting single or multi-data points, even for PVT properties that are generated as curves In this study, we have developed a new approach for predicting PVT properties that need to be described by curves over specific ranges of reservoir pressures. This approach is demonstrated with oil viscosity and gas/oil ratio curves. First, a thorough study of the target reservoir properties based on the data collected from PVT laboratory analyses of crude oil were carried out. Also, a statistical analysis was conducted on the data to detect the outliers. We then explored the capabilities of different Soft Computing techniques for predicting these properties. Different prediction models using Support Vector Regression (SVR), Functional Networks (FN), Adaptive Neuro-Fuzzy Inference Systems (ANFIS) and Artificial Neural Networks (ANN) and also two hybrid models: Differential Evolution Algorithm with ANN (DE+ANN) and Genetic Algorithm with ANFIS (GA+ANFIS) have been developed. A very small root mean square error and absolute average percent error for the developed models were recorded. Any PVT property which can be described as a curve can easily be estimated using the outlined approach in this work. Therefore, this work will hopefully be a very fast and low cost method for predicting PVT properties for optimizing the oil production operation.



Item Type:Thesis (Masters)
Date:10 June 2009
Date Type:Completion
Subjects:Systems
Divisions:College Of Computer Sciences and Engineering > Systems Engineering Dept
Creators:Oloso, Munirudeen A.
Email:oloso@kfupm.edu.sa
Committee Advisor:Khoukhi, Amar
Committee Co-Advisor:Elshafei, Moustafa
Committee Members:AbdulRaheem, AbdulAzeez and Al-Sunni, Fouad and Elferik, Sami
ID Code:136180
Deposited By:MUNIRUDEEN OL0SO
Deposited On:14 Nov 2009 09:28
Last Modified:24 Nov 2014 10:44

Repository Staff Only: item control page