Oil Flow Rate Estimation for High GOR Producers Using Artificial Intelligence Techniques

Oil Flow Rate Estimation for High GOR Producers Using Artificial Intelligence Techniques. Masters thesis, King Fahd University of Petroleum and Minerals.

[img] PDF
MSc Thesis - Oil Flow Rate Estimation for High GOR Producers Using Artificial Intelligence Techniques.pdf
Restricted to Repository staff only until 29 April 2022.

Download (2MB)

Arabic Abstract

يعد اختبار معدل تدفق الآبار نشاطًا حيويًا لأي شركة منتجة للنفط. إنه ها م لمراقبة أداء المكمن وحسابات استرداد النفط وتصميم أنابيب المرافق السطحية. معدل تدفق الزيت هو أحد المكونات الرئيسية التي يتم قياسها أثناء الاختبار. التكنولوجيا الأكثر تقدمًا حاليًا والتي يتم استخدامها لقياس معدل تدفق الزيت هي أجهزة قياس التدفق متعدد الغواص. ومع ذلك ، يواجه مجا ل صناعة النفط والغاز تحديًا يتمثل في أن دق ة قراءة هذا الجهاز تبدأ بالانحراف عن التسامح الهندسي المقبول للآبار ذات نسبية عالية في معدل الغاز للزيت لأكثر من 85 ٪ كجزء حجم الغاز. لذلك ، في مثل هذه الآبار ، يع مد مشغلو آبار النفط والغاز إلى طريقة الاختبار التقليدية )خزانات فصل الغاز عن الزيت الاختبارية المتنقلة( ويعيشون مع قيودها التي لا يمكن السيطرة عليها. لقد أثبت الذكاء الاصطناعي أنه أداة قوية لحل حالات عدم اليقين العالية في مجال صناعة النفط والغاز. في هذا العمل ، تم استخدام أربع تقنيات ذكاء اصطناعي لتقدير معدل تدفق الزيت السطحي للآبار ذات نسبية عالية في معدل الغاز للزيت: الشبكة العصبية الاصطناعية وآلة المتجهات الداعمة والشبكة الوظيفية ونظام الاستدلال العصبي الضبابي التكيفي. تم تطوير كل نموذج تم جمع حوالي ) 1640 ( نقطة بيانات من خزانات فصل الغاز عن الزيت الاختبارية المتنقل ة .™ MATLAB بواسطة برنامج الميدانية من حقل واحد و مكمن واحد. تمت دراسة ثلاث حالات: التدفق دون الحرج بدون معدل انتاج الماء ، التدفق دون الحرج مع معدل انتاج الماء والتدفق الحرج. تم تطوير أربعة نماذج ذكاء اصطناعي لكل حالة وبناءً على منهجية تحليل الخطأ ، تمت التوصية بأفضل نموذج ذكاء اصطناعي . تؤكد نتائج هذه الدراسة قدرات الذكاء الاصطناعي وقوته لتقدير معدل تدفق الزيت السطحي بمعدل نسبي مطلق للأخطاء . 0.98- بحوالي ± 1٪ و معامل تحديد )حسن التلاؤم( من 0.9

English Abstract

Well rate testing is a vital activity for any oil producer company. It is important for reservoir performance monitoring, oil recovery calculations and surface facilities piping design. Oil rate is one of the main components that is being measured during well rate testing. The current most advanced technology that is used to measure the oil flow rate is multiphase flow meter (MPFM) devices. However, oil and gas industry is confronted a challenge that is MPFM’s reading accuracy starts deviating from the acceptable engineering tolerance for high GOR (GVF > 85%) oil producers. Therefore, in such wells, oil & gas operators switch back to the conventional testing method (portable testing separators) and live with its uncontainable limitations. Artificial intelligence has been proven as a powerful tool to resolve high uncertainties in oil and gas industry. In this work, four (4) artificial intelligence techniques were used to estimate surface oil flow rate for high GOR producers: Artificial Neural Network (ANN), Support Vector Machine (SVM), Functional Network (FN) and Adaptive Neuro Fuzzy Inference System (ANFIS). Each technique model was developed by MATLAB™ software. About one thousand six hundred and forty (1640) real field portable testing separator data points collected from one field and one reservoir was used. Three (3) cases were deliberately studied: subcritical flow with zero water cut, subcritical flow with non-zero water cut and critical flow. Four (4) AI models were developed for each case and based on the error analysis the best AI model was recommended. The outcomes of this study confirm AI capabilities and robustness to estimate surface oil flow rate with about ± 1% AAPE and goodness of fit (R2) of 0.95-0.98.

Item Type: Thesis (Masters)
Subjects: Engineering
Petroleum
Department: College of Petroleum Engineering and Geosciences > Petroleum Engineering
Committee Advisor: Elkatatny, Salaheldin
Committee Members: Al Shehri, Dhafer and Abdulraheem, Abdulazeez
Depositing User: REDHA AL DHAIF (g200420340)
Date Deposited: 02 May 2021 08:03
Last Modified: 02 May 2021 08:03
URI: http://eprints.kfupm.edu.sa/id/eprint/141867