Prediction of Well Production Rates For Multiphase Flow Using Machine Learning Techniques. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Master Thesis) Miao Jin(g201907690) Completed Thesis.pdf Restricted to Repository staff only until 9 June 2023. Download (3MB)

Arabic Abstract

يعد التقدير الدقيق لمعدل إنتاج البئر للتدفق متعدد المراحل أمرًا بالغ الأهمية لتحسين استرداد النفط والتقييم الاقتصادي في صناعة النفط والغاز. يتم عادةً تطبيق المحاكاة العددية والطرق التحليلية والنماذج التجريبية (على سبيل المثال ، تحليل منحنى الانحدار التقليدي) للتنبؤ ببيانات إنتاج البئر. ومع ذلك ، فإن المحاكاة العددية تستغرق وقتًا طويلاً ، بينما الأساليب التحليلية والنماذج التجريبية تبسط حالة المكمن وقد لا تعكس التغير الديناميكي في الإنتاج. يتم تحليل تقنيات التعلم الآلي (ML) بشكل شامل وتطبيقها على صناعة البترول. تم اعتماد العديد من نماذج ML للتنبؤ بمعدلات إنتاج البئر ، مثل الشبكات العصبية الاصطناعية (ANN) ، وشجرة القرار ، وآلة ناقلات الدعم (SVM) ، والشبكة العصبية المتكررة (RNN) ، والذاكرة طويلة المدى (LSTM) ، إلخ. غالبًا ما تؤدي العمليات اليدوية ، وخاصة عمليات الفتح والإغلاق المتكررة ، إلى اختلاف غير متوقع في معلمات الخزان ، وبالتالي تصبح إحدى العقبات الرئيسية أمام التنبؤ الفعلي لأداء البئر. ومع ذلك ، نادرًا ما يتم أخذ فترات الإغلاق في الاعتبار في توقعات معدل إنتاج البئر في البحث السابق. لذلك ، بعد مقارنة خوارزميات ML المختلفة ، قمنا بتطبيق LSTM متعدد المتغيرات للتنبؤ بالأداء الفعلي لإنتاج البئر ، بما في ذلك فترات الإغلاق. على وجه التحديد ، نقترح تحسين LSTM عبر طريقتين: (1) تحسين المعلمات الفائقة لـ LSTM نفسها ، مثل عدد الخلايا العصبية ، وعدد العهود ، وحجم الدُفعة ، وما إلى ذلك (2) الجمع بين LSTM و ANN لبناء النموذج الهجين. من خلال ضبط المعلمة الفائقة ، تم اختيار المعلمات الفائقة المثلى لكل ناتج. يحتوي نموذج الزيت LSTM على طبقة مخفية واحدة بها 41 خلية عصبية ، ووظيفة التنشيط هي الوظيفة السينية ، ومحسن الوزن والتحيز هو adamax. يحتوي نموذج الغاز LSTM على طبقة مخفية واحدة بها 45 خلية عصبية ، ووظيفة التنشيط هي softmax والمحسن هو آدم. يحتوي نموذج Water LSTM على طبقة مخفية واحدة بها 7 خلايا عصبية ، ووظيفة التنشيط هي softplus ، والمحسن هو rmsprop. متوسط متوسط الخطأ النسبي للنماذج المثلى هو 15.92٪ و 16.73٪ و 13.84٪ لإنتاج النفط والغاز والمياه. تم تطوير نموذج هجين بنجاح لتحسين أداء التنبؤ لإنتاج النفط والغاز. دمج النموذج الهجين نموذجي LSTM و ANN للنظر في تأثير الأداء التاريخي وظروف التشغيل اليومية لمعدلات الإنتاج. بعد تحسين المعلمات الفائقة ، بلغ متوسط RMAE للنماذج الهجينة 12.08٪ و 12.14٪ لإنتاج النفط والغاز ، على

English Abstract

Accurate estimation of well production rate of multiphase flow is critical for enhanced oil recovery and economic evaluation in the oil and gas industry. Numerical simulations, analytical methods, and empirical models (e.g., traditional decline curve analysis) are typically applied to predict well production data. However, numerical simulation is time consuming, while analytical methods and empirical models oversimplified the reservoir condition and may not reflect the dynamic production change. Machine learning (ML) techniques are comprehensively analyzed and applied to the petroleum industry. Several ML models have been adopted to predict well production rates, such as Artificial Neural Networks (ANN), Decision Tree, Support Vector Machine (SVM), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), etc. Manual operations, especially the frequent opening and closing operations, often lead to the unexpected variation of reservoir parameters and thus become one of the primary obstacles to actual well performance forecast. However, shut-in periods are rarely considered in the well production rate forecast in previous research. Therefore, after comparing different ML algorithms, we applied the multivariate LSTM to predict the actual well production performance, including shut-in periods. Specifically, we propose to improve the LSTM via two approaches: (1) Optimizing the hyperparameters of LSTM itself, such as neuron number, the number of epochs, batch size, etc. (2) Combining LSTM with ANN to construct the hybrid model. Through the hyperparameter tunning, the optimal hyperparameters were selected for each output. The oil LSTM model has one hidden layer with 41 neurons, the activation function is the sigmoid function, and the weight and bias optimizer is adamax. The gas LSTM model has one hidden layer with 45 neurons, the activation function is softmax, and the optimizer is adam. The water LSTM model has one hidden layer with 7 neurons, the activation function is softplus, and the optimizer is rmsprop. The optimal models' average relative mean absolute error (RMAE) is 15.92%, 16.73%, and 13.84% for oil, gas, and water production. A hybrid model was successfully developed to improve the prediction performance of the oil and gas production. The hybrid model integrated the LSTM and ANN models to consider the influence of historical performance and daily operation conditions for production rates. After the hyperparameters optimization, the hybrid models' average RMAE reached 12.08% and 12.14% for oil and gas production, respectively.

Item Type:	Thesis (Masters)
Subjects:	Petroleum Petroleum > Well Performance and Optimization
Department:	College of Petroleum Engineering and Geosciences > Petroleum Engineering
Committee Advisor:	Patil, Shirish
Committee Co-Advisor:	Liao, Qinzhuo
Committee Members:	Al Shehri, Dhafer and Awotunde, Abeeb and Glatz, Guenther
Depositing User:	MIAO JIN (g201907690)
Date Deposited:	12 Jun 2022 08:47
Last Modified:	12 Jun 2022 08:47
URI:	http://eprints.kfupm.edu.sa/id/eprint/142160