(2001) Application of neural network to the determination of well-test interpretation model for horizontal wells. Masters thesis, King Fahd University of Petroleum and Minerals.
|
PDF
10399.pdf Download (9MB) | Preview |
Arabic Abstract
يعد تحديد نموذج اختبار البئر وكذلك حساب عوامل النموذج في الآبار الأفقية أكثر صعوبة منها في الآبار الرأسية ، ويرجع ذلك إلى زيادة عدد أنماط التدفق التي يمكن أن تحدث خلال فترة الإنتاج ، علاوة على وجود ترابط قوي بين عوامل النموذج . وفي صدد اختبار الآبار الأفقية ، تقدم هذه الدراسة طريقة ومفاهيم جديدة في التحديد الأتوماتيكي للنموذج وكذلك التفسير بمساعدة الحاسب الآلي . ويعتمد مفهوم الدراسة الجديد على استخدام الشبكات العصبية في : 1- تحديد نموذج تفسير اختبار البئر . 2- تحديد أنماط التدفق . 3- تحديد موقع أنماط التدفق على الرسم البياني المشتق من بيانات اختبار البئر . ويشمل هذا العمل النماذج الشائعة والتي تم الحصول على بصماتهها من برمجة الحلول التحليلية التي أعدها اوزكان وراجافان للآبار الأفقية في ظروف مكمنية وعوامل بئر مختلفة بافتراض أن المكمن غير محدود الأطراف . وقد تم استخدام هذه البصمات في تدريب الشبكات العصبية لكي تقوم بالخطوات الثلاث السابقة الذكر ثم تم تشغيل واختبار فعالية الشبكات العصبية كلاً على حدة باستخدام بيانات افتراضية وأخرى حقلية . وبعد إكمال الخطوات الثلاث استخدمت رسومات بيانية متخصصة لحساب عوامل النموذج الأولية وأخيراً تم استخدام برنامج كمبيوتر يعتمد على التحديد الغير خطي لحساب عوامل النموذج النهائية . وشملت الدراسة مقارنة لشبكات عصبية وأساليب تحضير بيانات اختبار مختلفة وقد تم استنتاج أن الطريقة الموزعة وإدخال البيانات المباشر أكثر ملائمة لتطبيق الطريقة الجديدة حقلياً .
English Abstract
Well-test model identification and, subsequently, model parameters determination is more complex in horizontal wells as compared to vertical wells. This is due to the increase in number of flow regimes occurring during a flow period and due to the fact that strong correlation exists between model parameters. This study presents a new approach for automatic model identification and computer-aided well-test interpretation in horizontal wells. The new approach is based on using neural network to (1) identify the well-test interpretation model; (2) identify flow regimes; and (3) mark the position of identified flow regions on the derivative plot of well test data. This work consists of first generating common model signatures using Ozkan and Ragavan analytical solutions for horizontal well in various reservoir and inner boundary conditions assuming laterally boundless reservoir. Next, these signatures are used to train neural networks for three identification stages, namely, model identification, flow regime identification, and position of flow regime identification. Separate networks were trained, then tested and validated using synthetic as well as field data. Once the three identification stages are completed, specialized plots for data points falling into each flow regime are used to determine initial model parameters. Finally, non-linear regression software was used to determine final model parameters. A comparative study was carried out using different network architectures and data preparation schemes. Modular approach with direct data utilization is found to be most suitable for field implementation of our approach.
| Item Type: | Thesis (Masters) |
|---|---|
| Subjects: | Petroleum |
| Department: | College of Petroleum Engineering and Geosciences > Petroleum Engineering |
| Committee Advisor: | Al-Kaabi, Abdulaziz U. |
| Committee Members: | Al-Yousef, Hasan Yousef and Al-Majed, Abdulaziz A. |
| Depositing User: | Mr. Admin Admin |
| Date Deposited: | 22 Jun 2008 14:03 |
| Last Modified: | 01 Nov 2019 14:00 |
| URI: | http://eprints.kfupm.edu.sa/id/eprint/10399 |