KFUPM ePrints

PREDICTION OF PRESSURE DROP FOR TWO-PHASE FLOW IN VERTICAL PIPES USING ARTIFICIAL INTELLIGENCE

l PREDICTION OF PRESSURE DROP FOR TWO-PHASE FLOW IN VERTICAL PIPES USING ARTIFICIAL INTELLIGENCE. Masters thesis, King Fahd University of Petroleum and Minerals.

[img]PDF - Published Version
9Mb

Arabic Abstract

إن مقدار انخفاض الضغط بين قعر البئر وفوهته في آبار النفط يعد من أهم العوامل التي تؤثر بشكل مباشر في مقدار التدفق. لكن حساب مقدار انخفاض الضغط في التدفق ثنائي الطور يعتبر من العمليات المعقدة بسبب التغير في نسب الغاز والسائل عبر أنبوب البئر العمودي، حيث أن انخفاض الضغط يتسبب في زيادة نسب الغاز المتحررة من السائل وذلك بشكل تصاعدي مما ينتج معه خلق أنماط تدفق جديدة. هذه الأنماط هي ليست مختلفة فقط بالشكل ، ولكن أيضا في العوامل المؤثرة في هبوط الضغط. للتغلب على هذه الصعوبة في حساب انخفاض الضغط في التدفق ثنائي الطور، استخدم العلماء نهجين رئيسيين: ارتباطات التدفق و النماذج الآلية. هذان النهجان قابلان للتطبيق ضمن نطاقات معينة ودقتهما في التنبؤ بانخفاض الضغط تقل خارج هذه النطاقات. أثبتت زيادة شعبية الذكاء الاصطناعي (AI) خلال العقدين الماضيين أن هذه الطريقة الرياضية يمكن أن توفر حلولا فعالة لكثير من المشاكل المعقدة التي تفشل الفيزياء الكلاسيكية والطرق الإحصائية في حلها. وقد وفرت هذه التقنيات نماذج رقمية سريعة وموثوق بها في العديد من المجالات كالتمثيل الجيولوجي، هندسة المكامن، الفيزياء النفطية وفحص الآبار. هذه الأطروحة تشرح استخدام المنطق الضبابي، والذي يعد من أهم التقنيات في الذكاء الاصطناعي، في التنبؤ بقيمة الضغط في قعر الآبار المنتجة الننفط. ولبناء نموذج المنطق الضبابي استخدمت 596 مجموعة من البيانات الحقيقية المأخوذة من دراسات فحص الآبار لآبار من الشرق الأوسط. وكان النموذج قادرا على التنبؤ بقيمة الضغط في قعر البئر لـ 199 مجموعة من البيانات الأخرى التي استخدمت لفحص دقة النموذج الضبابي والتي نتج عنها مقدار خطأ متوسط مطلق يعادل 4.9% . وأجري تحليل مقارنة بين نموذج المنطق الضبابي والعديد من نماذج ارتباطات التدفق الشهيرة للتنبؤ بقيمة الضعط في قعر البئر وذلك لمقارنة أداء هذه النماذج مع طريقة "نظام الاستدلال العصبي الضبابي المتكيف" (ANFIS)

English Abstract

One of the significant parameters affecting flow rate in oil production wells is the pressure drop between the well bottom-hole and tubing head. The pressure drop calculation in two-phase flow systems is very complicated due to the variations in gas and liquid flow rates across the two-phase flow stream. As the pressure of crude decreases while climbing a well tubular, more gas comes out of solution. This gradual increase in gas volumes leads to the reduction of liquid slip velocity and creating new flow patterns that are not only different in shape, but also complicated in pressure drop calculations. To overcome this difficulty in calculating pressure drop in two-phase flow systems, scientists came up with two main approaches: flow correlations and mechanistic models. These two approaches are applicable within certain conditions and their accuracy in pressure drop prediction degrades outside their design boundary ranges. The raising popularity of Artificial Intelligence (AI) techniques during the past two decades proved that AI can be an alternative solution to many of the complicated problems where physics and classic statistics fail to provide satisfactory solutions. These techniques applied in different upstream fields have provided fast, robust and reliable numerical models in a variety of areas, e.g., geological modeling, reservoir engineering, petrophysics and well testing. This thesis describes the utilization of Fuzzy Logic, which is one of the famous AI techniques, in predicting flowing bottom-hole pressure in oil producer wells. Real well testing data from the Middle East were used in constructing the Fuzzy Logic model. After training the model using 596 well testing data samples, it was successfully able to predict the flowing bottom-hole pressure at 199 well testing samples with an average absolute error of 4.9%. A comparison analysis was conducted to evaluate multiple flow correlation in predicting flowing bottom-hole pressure and compare their results with the developed Adaptive Neuro-Fuzzy Inference System (ANFIS) model.



Item Type:Thesis (Masters)
Subjects:Petroleum
Divisions:College Of Engineering Sciences > Petroleum Engineering Dept
Committee Advisor:Al-Marhoun, Mohammed
Committee Members:Al-Yousef, Hasan and Abdulrahim, AbdulAziz
ID Code:138603
Deposited By:Mr Ahmad Al-Shammari
Deposited On:14 Mar 2012 11:32
Last Modified:14 Mar 2012 11:32

Repository Staff Only: item control page