عنوان پایان‌نامه
ارزیابی وبهینه سازی تولیدمخازن هیدروکربنی با استفاده از شبکه بیزی
- رشته تحصیلی
- مهندسی نفت - مخازن هیدروکربوری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 858.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 42303;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 67
- تاریخ دفاع
- ۱۸ شهریور ۱۳۸۸
- دانشجو
- علیرضا خزعلی
- استاد راهنما
- مجید نیلی احمدآبادی, فرهنگ جلالی فراهانی
- چکیده
- در روش های سنتی ارزیابی مخازن نفت و گاز سخنی از احتمالات به میان آورده نشده است و این در حالیست که اگر از خطای اندازه گیری صرفنظر کنیم؛ مقادیر قطعی بسیاری از متغیرهای اساسی تنها در چاه های حفرشده در دسترس است. روش های محاسبه و یا تعمیم مقادیر این متغیرها در گستره مخزن گرچه سالهاست که شناخته شده ولی استفاده از این روش ها خطای اجتناب ناپذیری را به همراه دارد که از قطعیت صحت ارزیابی نهایی می کاهد. ازطرف دیگر در دسترس بودن هرگونه داده ای از پیشینه تولید می تواند سطح اعتماد به ارزیابی را افزایش دهد. این دو مهم در روش های معمول توسط انسان انجام می شد و به تطبیق تاریخچه [تولید] (History matching) معروف است که خود دارای مقادیری خطا بوده و قطعیت آن مشخص نیست. لذا در صنعت نفت همواره طراحی مدیریت مخزن بر اساس «تخمین کمینه سیال درجا» انجام می شود تا احتمال ضررهای پیش بینی نشده را به حداقل برساند. صرفنظر از عدم دقت کافی، تخمین کمینه نیز خطا و البته مضرات دیگری را به همراه دارد که در معدود مواردی بسیار جدی خواهند بود. از دیدگاهی دیگر، استحصال بهینه تولید از مخازن امری است از لحاظ استراتژیک مهم و با افزایش قیمت نفت هر روز بیش از پیش مورد توجه قرار می گیرد که به جرئت می توان گفت تمام تلاش مهندسی نفت در جهت نیل به آن صورت می گیرد. استحصال بهینه نیز خود در سایه عدم وجود دانش قطعی از مخزن شامل شک و تردیدهای بسیاری است. در این طرح سعی می شود توسط ارزیابی مخزن با رویکردی احتمال گرا، به تمامی نیازهای بیان شده، که مهمترینشان تدوین طرح جامع برداشت از مخزن است، پاسخ داده شود.
- Abstract
- Most of reservoir volume rock properties are stated with some degree of error. The main source of this error can be referred to the estimating procedure of the rock properties throughout the reservoir volume. The main effect of those errors is a resulting uncertainty which will be associated with all reservoir characterization related works. To treat this uncertainty, we will use Bayesian network as a new probabilistic reasoning tool in the reservoir production prediction and history matching procedures. Reservoir simulation is the main tool for estimating the fluid in-place, forecasting the reservoir performance and designing the optimum production plan for petroleum reservoirs. However, most required parameters (especially rock properties) for reservoir simulation are only available in the drilled wells. For the rest of the reservoir volume, these parameters must be estimated to build an estimated model of the reservoir. Due to unavoidable estimation errors, the estimated model of the reservoir can not be accurate. So, the estimated fluid in-place and the predicted reservoir performance are also inaccurate. Usual method to reduce these inaccuracies in the case of availability of real production or other types of reservoir performance data, is correcting the estimated reservoir model until the difference of simulated reservoir performance and the real reservoir performance reaches the minimum. This method is called history matching and can be done manually, but there are some automatic methods which use stochastic or deterministic minimization techniques. Since the history matching procedure is a reverse solution of a many to one problem, there is no evidence to say the reservoir model whose production history matches the real production history is the real one; or in another words, its probability to be the real model is not known. Also, conventional history matching procedures can not find all possible reservoir models (a reverse solution of a many to one problem can have several answers); and of course, their associated probability. Needles to say, any financial investment on a wrong or low probable reservoir model can lead to sever losses; so usually, the sensitivity analysis is performed to identify what source of uncertainty weights more on the petroleum production. But a complete quantitative uncertainty analysis which studies the overall uncertainties in petroleum production has not been done yet. Bayesian network is an artificial intelligence tool which is used for building probabilistic models. In spite of the conventional models, probabilistic models include uncertainties in their internal calculations. In this project, we will use Bayesian network to introduce a new method which can predict cumulative fluid production probability distribution. In addition, in the presence of real production data, the introduced method can find all the reservoir models whose cumulative production match the real cumulative production of the reservoir. All found reservoir models will be stated with their probability. Then we will proceed with a demonstration case study to clarify how our probabilistic method of production prediction and history matching works.
