Estimating Deliverability in Multi-Layered Gas Reservoirs Using Artificial Intelligence. Masters thesis, King Fahd University of Petroleum and Minerals.

Preview

PDF thesis-mka.pdf - Submitted Version Download (3MB) | Preview

Arabic Abstract

في هذا البحث ، تم إنشاء نموذج باستخدام أدوات الذكاء الاصطناعي لتقدير كمية الإنتاج من كل طبقة في مكمن غاز متعدد الطبقات باستخدام الخصائص الثابتة مثل تلك المستخرجة من قياسات الآبار ، بالإضافة إلى الخصائص الحيوية مثل الضغط. تساعد هذه الطريقة في العديد من تطبيقات هندسة المكامن ، مثل فهم آلية نضوب الطبقات ، أو استهداف طبقات معينة عند صيانة الآبار. يمكن أيضًا استخدام نتائج النموذج لتحليل نتائج اختبار إنتاج البئر ، حيث تتم مقارنة النتائج التي تم قياسها بالنتائج المتوقعة وتحليل الفارق. تم جمع البيانات من أكثر من 100 بئر في أحد المكامن التي تمتد على مدى أربعة حقول ، وقد تم جمع المتغيرات في مجموعة متغيرات إدخال ، وتمت تغذيتها إلى أدوات الذكاء الاصطناعي من أجل التعليم ، وقد تم تمرين الأدوات لاستخراج النتائج المثلى من كل أداة. بين الطرق المجربة ، حازت الشبكات العصبية الانحدارية العامة وآلة المتجه الداعم على الأداء الأفضل كما يتضح من حصولها على أقل متوسط لنسبة الخطأ المطلق بالإضافة إلى ترابط خطي عال جدًا. هذا البحث يبين الاستخدام الواعد لأساليب الذكاء الاصطناعي لتقدير إنتاج الطبقات في مكامن الغاز متعددة الطبقات

English Abstract

In this research, an artificial intelligence (AI) model has been created to estimate the production rate of each layer in a multi-layered gas reservoir using static properties such as those obtained from well logging, in addition to dynamic properties such as pressure. This approach will be helpful in several reservoir engineering applications, such as understanding layers’ depletion, or targeting specific layers for workover. It could also be used for PLT analysis where the measured PLT values are compared to the expected values and a variance analysis could be performed. Data were collected from more than 100 wells in a certain reservoir spanning over four fields. They were combined in related input variables and fed to the AI model for learning purposes. To compare different AI methods, the data were fed to 5 methods, namely ANFIS, MLP, RBF, SVM, and GRNN, and results were optimized for each method. Between the tested AI methods, SVM and GRNN performed best as shown by a low mean absolute percentage error and a very high correlation coefficient. This research shows promising use for AI methods in estimating production rate from each layer in a multi-layered gas reservoir.

Item Type:	Thesis (Masters)
Subjects:	Petroleum
Department:	College of Petroleum Engineering and Geosciences > Petroleum Engineering
Committee Advisor:	Abdulraheem, Abdulazeez
Committee Members:	Al-Majed, Abdulaziz and Hossain, Enamul
Depositing User:	MALIK KHAL AL-ARFAJ (g200903210)
Date Deposited:	24 Jul 2012 09:37
Last Modified:	01 Nov 2019 15:36
URI:	http://eprints.kfupm.edu.sa/id/eprint/138740