خلاصة:
ضریب بازیافت (RF)، در موفقیت مهندسی و اقتصادی هر فاز عملیاتی در فرایند تولید نفت و گاز اهمیت به سزایی دارد. از انجایی که ارتباط میان متغیر های ورودی و ضریب بازیافت به صورت پیچیده و غیر خطی میباشد، پیشبینی این متغیر به اسانی امکانپذیر نیست. از سوی دیگر ضریب بازیافت همواره تحت تاثیر متغیرهای زیادی از جمله نوع فرآیند بازیافت، نوع مخزن، خواص سیال، ناهمگنی مخزن، عمق و ضخامت ان میباشد که لازم است در فرایند مدلسازی مد نظر قرار گیرند. متداول ترین و جامع ترین روش در تخمین ضریب بازیافت، آزمایشات انجام شده در محیط آزمایشگاهی یا شبیه سازی های عددی مخزن یا ترکیبی از هر دو این روش ها میباشد که هر کدام به دلیل نیاز به داده ها، شرایط مرزی و اثرات مقیاس محدودیت های خاص خود را دارند. در این مطالعه از مدلهای مبتنی بر سیستم استنتاج فازی نوع سوگنو و ممدانی به همراه یک مدل رگرسیونی ساده به منظور تخمین ضریب بازیافت با استفاده از داده های جمع اوری شده از ادبیات تحقیق استفاده گردید. در ادامه عمکرد مدلها بوسیله شاخص های آماری مورد ارزیابی قرار گرفت تا دقیق ترین مدل برای تخمین این فاکتور کلیدی معرفی شود. نتایج بدست امده ثابت کرد که سیستم فازی ارائه شده در این مقاله عملکرد بهتری نسبت به مدلهای رگرسیونی ساده ارائه میکند که میتوان از ان به عنوان یک ابزار مناسب برای تخمین این فاکتور کلیدی استفاده نمود. علاوه بر این نتایج بدست امده از حساسیت سنجی متغیر ها، به درک تاثیر ورودی های مختلف بر روی ضریب بازیافت بسیار کمک میکند.
ملخص الجهاز:
در این مطالعه از مدلهای مبتنی بر سیستم استنتاج فازی نوع سوگنو و ممدانی به همراه یک مدل رگرسیونی ساده به منظور تخمین ضریب بازیافت با استفاده از داده های جمع اوری شده از ادبیات تحقیق استفاده گردید.
Viscous fingering Flooding Miscible Immiscible Internal gas drive Mobility Screening criteria Near-miscible ضریب بازیافت (نفت تولید شده/نفت اصلی درجا 1 ) یکی از مهمترین معیارهای موفقیت در تمام پروژه های EOR است زیرا تعیین می کند چه مقدار نفت بیشتر تولید می شود.
در این مطالعه، از منطق فازی برای پیشبینی فاکتور های بازیافت گذشته با بهره گیری از اطلاعات جمع اوری شده از مقالات استفاده شده است و نتایج بدست امده با مدل مرسوم رگرسیونی مقایسه گردید.
با این حال، با وجود پیچیدگی و وابستگی ضریب بازیافت به متغیرهای مختلف، مدلهای توسعه داده شده قابلیت پیشبینی معقولی را برای مشاهدات میدانی از خود Original oil in place Hydrocarbon pore volume Weber Sandstone Machine learning methods Well logs Intact rocks نشان دادند.
همچنین در شکل های 7 و 8 ، مجموع ضریب بازیافت غیر فازی شده برای مجموعه ای از مقادیر ورودی در دو سیستم ممدانی و سوگنو توسعه داده شده نمایش داده شده است.
در این مطالعه، از دو سیستم استنتاج فازی ممدانی و سوگنو در کنار یک مدل رگرسیون خطی برای پیشبینی ضریب بازیافت قابل امتزاج استفاده گردید.
مدل فازی ارائه شده در این مقاله دارای قابلیت پیشبینی نسبتاً دقیقی است و میتواند به عنوان یک ابزار غربالگری مناسب، برای پیشبینی ضریب بازیافت در نظر گرفته شود.