HORIZONTAL & MULTILATERAL WELLS' PERFORMANCE PREDICTION IN UNDERSATURATED RESERVOIRS. Masters thesis, King Fahd University of Petroleum and Minerals.

Preview

PDF Master_thesis_By_Ali_Mashhad.pdf - Accepted Version Download (5MB) | Preview

Arabic Abstract

الآبار الأفقية والمتعددة الأطراف هي تحول ثوري متقدم في الآبار الرأسية. تتمتع هذه الآبار المتقدمة بميزات عدة مثل ضمان ارتفاع معدلات الصرف وإنتاجية الخزانات النفطية، التقليل إلى الحد الأدنى من إنتاج الغاز ،ً والماء المصاحبين، تحقيق إنتاجية عالية في مكامن ذات مسامية محدودة جدا وتحسين كفاءة الازاحتين الرأسية والسطحية. يتم التنبؤ بأداء إنتاج النفط والغاز في مثل هذه الآبار المتقدمة من خلال العديد من الطرق التي تتراوح بين التقنيات البسيطة والمتطورة. في الدراسات السابقة تم تطوير العديد من النماذج الرياضية والقياسية لتقدير أداء الآبار الأفقية والمتعددة ، الأطراف. يتم إدراج بيانات الخزان في هذه النماذج الرياضية بهدف التوصل إلى آلية تقدير دقيقة. ومع ذلك فإن هذه النماذج تعطي أخطاء عند أستخدامها في حساب إنتاجية الآبار الافقية وذات الاطراف .يمكن كذلك التنبؤ وتقدير الانتاجية عن طريق برمجيات المحاكاة العددية. ومع ذلك، فإن عملية تصميم برامج المحاكاة تستغرق وقت طويل وتستلزم معرفة وقدرة عالية للتعامل مع برنامج المحاكاة. توفر تقنيات الذكاء الأصطناعي من أهم أساليب التبؤ الجيدة والواعدة التي لديها القدرة على قياس وتوقع العديد من المجالات المختلفة في ً واحدا صناعة هندسة البترول. تم تطوير نماذج الذكاء الاصطناعى للتنبؤ بأداء الآبار الأفقية ومتعددة الأطراف في العديد من المكامن غير المشبعة في هذه الدراسة. تمت مقارنة النتائج التي تم الحصول عليها من نماذج الذكاء الصناعي مع النتائج التقديرية التي تم حسابها النماذج الرياضية التي تستخدم على نطاق واسع في تقدير أداء الآبار المتقدمة .تم الحصول على المقارنة بين الطريقتين بالرجوع إلى قياسات حقيقية في هذا البحث. أظهرت النتائج النهائية أن جميع نماذج الذكاء الاصطناعي قادرة على التنبؤ بمعدل الزيت مع وجود أخطاء أقل من جميع النماذج الرياضية الموجودة .كما قدمت نماذج الشبكات العصبية الاصطناعية أعلى دقة بين تقنيات الذكاء الاصطناعي الأخرى. حيث أشارة النتائج إلى أن نماذج الشبكات العصبية الاصطناعية تعطي أدنى خطأ مقارنة بالمعادلات الرياضية التي تعطي أقل خطأ للنسبة المئوية المطلقة ٪9.6 للنسبة المئوية المطلقة بنسبة مقارنة إلى قياسات أنتاج حقيقية. تم عمل نماذج رياضية جديدة من خلال الشبكة العصبية ٪83بنسبة الاصطناعية والتي سوف تساعد على تقدير معدل تدفق النفط في الآبار شديدة التعقيد. ستعمل النماذج الرياضية الجديدة على تقصير العملية الحسابية المطولة د واجه خلال أعدا برمجيات ُ التي ت المحاكاة العددية. علاوة على ذلك، سوف تقوم النماذج بتقييم أداء الآبار بكفاءة وبساطة عالية من خلال استخدام البيانات السطحية والجوفية للعديد من الآبار التي تم حفرها في خزانات معقدة غير مشبعة.

English Abstract

Horizontal & multilateral (H & ML) wells are advance revolution transformation of vertical wells. The capitalization on these complex wells has many advantages, such as ensuring higher drainage and productivity of reservoirs, minimizing gas and water coning, achieving high productivity in a confined space and improving areal and vertical sweep efficiency. The performance of oil and gas production in highly deviated wells are predicted by many methods that range from simple to sophisticated techniques. In the literature, several correlations have been developed to estimate the performance of H & ML wells. Reservoir data are incorporated in these correlations to come up with a rigid estimation mechanism. These correlations, however, are giving errors when used to calculate the productivity of complex wells. Another powerful forecasting tool in petroleum engineering technology is the numerical simulation software. However, the modelling process with numerical simulator is time consuming and necessitates expertise in dealing with the simulation program. One of the novel predicting approaches is the Artificial Intelligence (AI) tool that is capable of characterizing, quantifying and forecasting many parameters in different application within the petroleum engineering industry. The development of AI models that are competent in predicting the H & ML wells’ performance in many under-saturated reservoirs is presented in this study. Results were compared to previously published correlations that are widely used in estimating the performance of the complex wells. The comparison between both methods in reference to the actual field data was obtained in this research. The final results showed that all AI models are capable to predict oil rate with errors less than the existing correlations. Artificial Neural Network (ANN) models offered the highest accuracy among the other AI techniques. The lowest Average Absolute Percentage Error (AAPE) value of 6.9% was obtained with ANN while the minimum value of AAPE in the corrections was 38% in reference to the actual oil rate. New empirical correlations from ANN were derived to predict oil flow rates in complex wells. The new AI models will shorten the lengthy computational process encountered with reservoirs simulator. Moreover, they will efficiently evaluate the performance of the wells in a simple way with higher accuracy through utilizing surface and subsurface data for many wells drilled in distinct under-saturated reservoirs.

Item Type:	Thesis (Masters)
Subjects:	Petroleum Petroleum > Well Performance and Optimization
Department:	College of Petroleum Engineering and Geosciences > Petroleum Engineering
Committee Advisor:	Al-Shehri, Dhafer
Committee Members:	Abdulraheem, Abdulazeez and Haq, Bashirul
Depositing User:	ALI SALMAN AL MASHHAD (g200262540)
Date Deposited:	07 Jan 2019 07:34
Last Modified:	30 Dec 2020 13:37
URI:	http://eprints.kfupm.edu.sa/id/eprint/140856