چاههای نفت در صنایع باالدستی

35 توسعه شبکه عصبی... توسعه شبکه عصبی مصنوعی مبتنی بر الگوریتم ژنتیک به منظور پیشبینی آزمایشهای PVT چاههای نفت در صنایع باالدستی * محسن اسالم نژاد حسین اکبری پور و محمدرضا امین ناصری - گروه مهندسی فناوري و اطالعات دانشکده فنی و مهندسی دانشگاه تربیت مدرس تهران ایران - بخش مهندسی صنایع دانشکده فنی و مهندسی دانشگاه تربیت مدرس تهران ایران تاريخ دريافت: 9/9/8 تاريخ پذيرش: 93/0/ چكيده در مرحله صیانت از مخازن نفتی صنایع باالدستی آزمایشهای پیچیدهای موسوم به PVT برای شناسایی خواص سیاالت مخزن انجام میگیرد. وجود مشکالتی چون خطرات احتمالی زمانبر بودن دقیق نبودن نمونهها و محدودیتهاي دما و فشار باعث شده تا استفاده از روشهای هوشمند در این حوزه گسترش یابد. در این پژوهش به منظور اجتناب از مشکالت مذکور و یافتن رابطه پیچیده و غیرخطی دادههای آزمایشهای PVT از شبکه عصبی مصنوعی بهره گرفته شده است. همچنين از الگوريتم ژنتيك به منظور تعيين مقادير بهينه پارامترهاي مدل شبکه عصبی در فرآیند آموزش استفاده شده است. به منظور ارزیابی رویکرد توسعه یافته از مجموعه دادههای چاههای نفتی جنوب ایران بهره گرفته شد و نتایج حاصل نشان میدهد که استفاده از شبکه عصبی مصنوعی مبتنی بر الگوریتم ژنتیک برخالف روشهای کالسیک در زمان کمتر و با دقت باالیی خواص سیاالت مخزن )ضریب حجمی سیال و فشار نقطه حباب( را پیشبینی مینماید. در نتیجه کارشناسان و مدیران صنایع باالدستی مخازن نفتی ایران میتوانند از شبکه عصبی پیشنهادی در راستای پیشینی آزمایشهای PVT بهره گیرند. كلم ات كلي دي: صنای ع باالدس تی نف ت صیان ت از مخ ازن نف ت آزمایشه ای PVT ش بکه عصب ی مصنوع ی الگوریت م ژنتی ک مقدمه امروزه استفاده از روشهای هوشمند در صنایع مختلف باعث بهبود عملکرد آنها شده است. صنعت نفت نیز از صنایع با قابلیت باال در پیادهسازی روشهای هوشمند به شمار میآید. به طورکلی *مسؤول مكاتبات amin_nas@modares.ac.ir آدرس الكترونيكي صنعت نفت با داشتن فعالیتها و بخشهای متنوع از زمان جستجو برای اکتشاف نفت تا زمان تحویل نفت و فرآوردههای آن به مصرفکننده به دو بخش اصلی صنایع باالدستی و صنایع پاییندستی تقسیم میشود. صنایع باالدستی شامل اکتشاف حفاری استخراج و صیانت از مخازن است که کلیه این مراحل از اهمیت ویژهای برخوردار است. صنایع

84 شماره 36 پاالیش همچون فعالیتهایی شامل نیز پاییندستی روشهای بهکارگیری میشود. فروش و انتقال در دقت افزایش و سهولت منظور به هوشمند دهههای در باالدستی صنایع متنوع فعالیتهای است. گرفته رونق اخیر صیانت مرحله باالدستی صنایع مهم مراحل از یکی چاه عمر طول و بهرهوری افزایش باعث که است حفاظت معنی به نفتی چاههای از صیانت میشود. آن از بیشتر برداشت برای نفت چاه از نگهداری و به میتوان صیانت مرحله اهمیت دالیل از است. یا و آن بودن زمانبر جدید چاه حفر باالی هزینه شناخت کرد. اشاره چاه حفر موفقیت پایین درصد صیانت برای چاهها نفت شیمیایی و فیزیکی خواص انجام و مخازن نفت از دقیق نمونهگیری با آنها از ][. میگردد ممکن PVT نام به آزمایشهایی انجام میتوان خالصه طور به را PVT آزمایشهای روی بر متغیر دمای و حجم فشار آزمایشهای خواص کلیه لحاظ از آن رفتار مطالعه و مخزن سیال و پرهزینه آزمایشها این کرد. تعریف ترمودینامیکی علت به نمونهها نیز گاهی هستند. خطرناک حتی کافی ارزش الزم دقت عدم و نمونهگیری مشکالت اعتماد آزمایشها این نتایج به نمیتوان و ندارند هوشمندسازی که است بدیهی بنابراین داشت. کامل شمار به کاربردی و مهم مسأله آزمایشها این پژوهشگران شده انجام تحقیقات در ][. میآید آزمایشهای نتایج بین را ریاضی روابط توانستهاند روابط این از یک هر واقع در دهند. ارائه PVT جدیدی ضرایب و فرمولها تا دارند سعی تجربی این با ]3[. نمايند ارائه مختلف شرایط برای را محدوده یا و ناحیه یک به روابط وابستگي حال ریاضی روابط معایب بزرگترین از خاص جغرافیایی این از استفاده نتیجه در میشود. قلمداد مذکور مخازن فیزیکی خواص شناخت منظور به روابط و داشت نخواهد دنبال به درستی نتایج ایران نفتی استفاده میرسد نظر به است. کاربردی غیر تقریبا حل برای مناسبی راهکار هوشمند روشهای از آزمایشهای انجام در محدودیتها رفع و مشکالت.][ است PVT قابلیتهای از نفت مهندسان اخیر سالهای در پر و پیچیده مسائل حل در مصنوعی عصبی شبکه این در که ]4[ گرفتهاند بهره نفت صنعت مخاطره عصبی شبکه کاربردهای توصیف به میتوان باره در عصبی شبکههای تکنیک نفت مهندسی در عصبی شبکههای کاربرد و نفت تولید پیشبینی ]7-5[. کرد اشاره طبیعی گاز تولید پیشبینی در علت به مصنوعی عصبی شبکههای همچنین توانستهاند یادگیری قابلیت و سرعت چون مزایایی و فیزیکی ویژگیهای تخمین در گسترده صورت به ]8[. روند بهکار شیمیایی مولفههای ترمودینامیکی شبکههای کاربرد به میتوان موارد این جمله از تراکمپذیری ضریب پیشبینی در مصنوعی عصبی خالص مواد خواص ]9[ شبنم نقطه فشار ]8[ )Z( فعالیت ضریب نسبت ]0[ 3 نفتی برشهای و ][ 4 اسید آمینو محلولهای در الکترولیتها ضریب و ]3-[ 5 مبردها ترمودینامیکی خواص کرد. اشاره ]4[ 6 دوتایی سیستم همفشار فعالیت از تا کردهاند تالش محققان گذشته دهههای در خصوصیات پیشبینی در مصنوعی عصبی شبکههای نمایند. استفاده PVT آزمایشهای و مخزن سیال تالش الشرکاوی و غربی 997 سال در مثال برای مخازن دادههای مجموعه از استفاده با که کردند توانمندیهای و خاورمیانه منطقه در خام نفت 8 B o و 7 اB p سیال ویژگی دو مصنوعی عصبی شبکه ]5[. نمایند پیشبینی را PVT آزمایشهای در 9 RBF عصبی شبکه مدل از 998 سال در الشرکاوی. Compressibility Factor (z). Dew Point Pressure 3. Pure Substances and Petroleum Fraction s Properties 4. Amino Acids Solutions 5. Thermodynamic Properties of Refrigerants 6. Activity Coefficients of Isobaric Binary Systems 7. Bubble Point Pressure 8. Oil Formation Volume Factor at Bubble Point 9. Radial Basis Function

37 عصبی... شبکه توسعه در مخزن سیال ویژگی چندین پیشبینی منظور به بهدست نتایج که نمود استفاده PVT آزمایشهای به نسبت خطا توجه قابل کاهش از حکایت آمده ]6[. داشت تجربی روشهای شبکههای از همکاران و وارتسیس 999 سال در نفت مخازن رفتار پیشبینی در مصنوعی عصبی سال همان در ]7[. کردند استفاده گاز میعانات و سه عصبی شبکه یک از استفاده با الشرکاوی و غربی که تفاوت این با دادند. ادامه را خود پژوهش الیه متفاوت منطقه چند در نفتی مخازن از دادهها مجموعه به نسبت نتایج و بود شده آوری جمع جهان کل از در ]8[. داشت بیشتری نسبتا دقت قبلی مدلهای B o پارامتر پیشبینی منظور به عثمان 00 سال استفاده الیه سه معماری با عصبی شبکه یک از به همکاران و المرهون 00 سال در ]9[. نمود شبکه از P( b ( مخزن سیال ویژگی پیشبینی منظور از پژوهش این در کردند. استفاده مصنوعی عصبی استفاده سعودی عربستان در نفت مخازن دادههای میدهد نشان پژوهش این از حاصل نتایج و گردید شده کمتر مدل این در نسبی خطای درصد که ]0[. است پیشبینی منظور به همكاران و عیسی 004 سال در شبکه الیه 4 و الیه 3 مدل دو مخزن سیال خواص از پژوهش این در دادند. توسعه مصنوعی عصبی و گردید استفاده کالیفرنیا در نفت مخازن دادههای خطای میانگین کم بسیار میزان از حکایت نتایج از همکاران و اوم ل 009 سال در ][. داشت مطلق آزمایشهای پیشبینی در عصبی شبکه قابلیتهای نفتی مخازن دادههای مجموعه از استفاده با PVT اسدی 0 سال در ][. گرفتند بهره نیجریه در از استفاده با تا کردند تالش طهماسبی و ساقندی مختلف مناطق در نفت مخازن از دادههایی مجموعه B o و P b ویژگیهای عصبی شبکههای و ایران نفتی نتایج نمایند. پیشبینی را PVT آزمایشهای در را روشهای به نسبت کارایی افزایش آنها پژوهش در شده طراحی عصبی شبکههای و تجربی ]3[. میداد نشان را قبلی پژوهشهای ادبیات در نفتی مخازن سیاالت خواص پیشبینی در مصنوعی عصبی شبکه کاربرد بر مروری - جدول مولفان انتشار سال شبکه نوع توضیحات الیه 4 شبکه مناطق در خام نفت مخازن دادههای مجموعه از استفاده B o P b سیال ویژگی دو پیشبینی و جهان کل از گوناگون 997 Gharbi and Elsharkawy [5] RBF نوع از شبکه B o µ od مانند سیال ویژگی چندین پیشبینی 998 Elsharkawy [6] مختلف مناطق در نفتی مخازن دادههای مجموعه از استفاده جهان - 999 Varotsis and et al. [7] الیه 3 شبکه منطقه در نفتی مخازن از دادههایی مجموعه از استفاده سیال B o P b ویژگی دو پیشبینی و خاورمیانه 999 Gharbi and Elsharkawy [8] الیه 3 شبکه مختلف مناطق در نفتی مخازن دادههای مجموعه از استفاده B b ویژگی پیشبینی و جهان 00 Osman et al. [9] و سعودی عربستان در نفت مخازن دادههای از استفاده سیال B o P b ویژگی دو پیشبینی - 00 Al-Marhoun and Osman [0] الیه 4 و 3 مدل دو دو پیشبینی و کالیفرنیا در نفت مخازن دادههای از استفاده سیال B o P b ویژگی 004 Eissa et al. [] الیه 3 شبکه و نیجریه در نفتی مخازن دادههای مجموعه از استفاده µ od ویژگی پیشبینی 009 Omole et al. [] الیه 3 شبکه مختلف مناطق در نفت مخازن از دادههایی مجموعه از استفاده B o P b ویژگیهای پیشبینی و ایران نفتی 0 Asadisaghandi and Tahmasebi [3]

84 شماره 38 کاربردهای حوزه در کمی نسبتا مقاالت حال این با آزمایشهای پیشبینی در مصنوعی عصبی شبکه بهکارگیری جدول در ]8[. است شده ارائه PVT چند پژوهشهای در مصنوعی عصبی شبکههای سیال خواص پیشبینی منظور به اخیر سال است. شده خالصه نفتی مخازن خصوصیات پیشبینی منظور به پژوهش این در حجمی ضریب خصوصیات ویژه به مخزن سیاالت شناسایی و P( b ( حباب نقطه فشار B( o ( مخزن سیال عصبی شبکههای از PVT آزمایشهای پیچیده روابط که آنجایی از همچنین است. شده استفاده مصنوعی دقت و بازدهی افزایش اولیه اوزان مناسب انتخاب الگوریتم توانایی از دارد دنبال به را عصبی شبکه میشود. گرفته بهره اوزان تنظیم در ژنتیک PVT آزمایشهای هوشمندسازی پژوهش اين ادامه در الگوریتم بر مبتنی عصبی شبکههای از استفاده با و گرفت خواهد قرار بررسی مورد آن از پس ژنتیک و پیشنهادی رویکرد پیادهسازی جزئیات نهايت در ميگردد. ارائه آن از حاصل نتایج تحلیل مهندسی برای بستری :PVT آزمایشهای نفت مخازن است پیچیدهای و تخصصی عملیات مخازن از صیانت مخزن یک از مراقبت و نگهداری را آن میتوان که هدف کرد. تعریف صحیح استخراج منظور به نفت ریسک کاهش آنها حفظ مخازن از صیانت اصلی برداشت حداکثر و تولید هزینههای کاهش مخزن در فنی حوزههای از یکی مخزن مهندسی است. علمی فنی اصول مطالعه به باالدستی صنایع مخازن از استخراج نگهداری حفاری در اجرایی و مخازن برای ترمیمی فعالیتهای همچنین و نفت مهندسی فعالیتهای ]3[. میپردازد آسیبدیده گوناگون آزمایشهای نتایج مبنای بر معموال مخزن انجام PVT تخصصی و معروف آزمایشهای جمله از مطالعه و بررسی جهت آزمایشها این میشود. تغییراتی اعمال از استفاده با مخزن سیاالت رفتار در میپذیرد. صورت آنها دمای و حجم فشار روی چند یا یک نگهداشتن ثابت با آزمایشها این یا یک تغییر و فشار( و حجم )مثل فیزیکی متغیر زن مخ یال س ار رفت ا( دم د )مانن ر دیگ ر متغی د چن یک به عمدتا تجربی روابط میشود. ارزیابی نفت رو این از است. محدود خاص جغرافیایی منطقه هستند قبولی قابل راهکار دنبال به نفت مهندسان در محدودیتی هر و هزینه وقت اتالف بدون که محاسبه را سیاالت فیزیکی خواص بتواند فشار و دما از جدید روشهای ورود سبب امر همین نماید. است. شده نفت صنعت به مصنوعی هوش جمله به ژنتیک الگوریتم بر مبتنی عصبی شبکه PVT آزمایشهای پیشبینی منظور برای عصبی شبکه روش از اخیر سالهای در نفتی مخازن برای PVT دادههای پیشبینی استفاده دنیا سراسر در نفت تولیدکننده کشورهای شبکههاي مدلسازي از حاصل نتايج شدهاست. يک روي از که ميدهد نشان مصنوعي عصبي ن تخمي PVT گاهي آزمايش اي دادهه ل کام ه مجموع و بوده امکانپذير نفتی مخزن سياالت ويژگيهاي است. دقيقتر معمول سنتي روشهاي از مراتب به عصبي شبکههاي موازي پردازش قابليت همچنین موجود غيرخطي و پيچيده رابطه که میشود سبب این با شود. محاسبه راحتي به PVT دادههاي بين نمیتوان PVT دادههای بودن نسبی دلیل به حال مخازن برای مقاالت در موجود عصبی شبکههای از ][. کرد استفاده ایران نفتی خصوصیات پیشبینی منظور به پژوهش این در ی حجم ب ضری ت خصوصی ژه وی ه ب زن مخ یاالت س پیچیده روابط شناسایی و حباب نقطه فشار سیال عصبی شبکههای رویکرد از PVT آزمایشهای ژنتیک الگوریتم كاربرد وبا شده استفاده مصنوعی است. شده بهينه عصبی شبکه اتصاالت اوزان عصبی شبکه مدل میشود سعی ابتدا در بنابراین

39 عصبی... شبکه توسعه و شود توصیف پژوهش این در رفته کار به مصنوعی بکه ش اوزان م تنظی در ک ژنتی م الگوریت رد کارب پس س گردد. تبیین کافی جزيیات همراه به عصبی پیشنهادی عصبی شبكه مدل این در مخزن سیال خواص پیشبینی منظور به استفاده الیه چند پرسپترون عصبی شبکههای از مقاله طبقه دو از آموزشی الگوهای که مواقعي در است. شده از پس پرسپترون یادگیری روش باشند جداپذیر خطی معموال عمل در ولی میشود. همگرا دوره چند طی پذیرند جدا خطی صورت به الگوها آیا که نمیدانیم الیههایی( )یا الیه مشکل این حل برای خیر. یا این در که میشوند اضافه خروجی و ورودی الیه بین 0 )MLP( الیه چند پرسپترون یک پرسپترون صورت میشود. خوانده بوده پیشرو نوع از پیشنهادی مصنوعی عصبی شبکه نرون 5 ورودی نرون 0 دارای شکل با مطابق و از یک هر است. خروجی نرون و میانی الیه در نفتی متخصصان تجربيات مبنای بر ورودی نرونهای آزمایشهای نتایج به بهطوریکه است شده انتخاب وجود بیشتری اعتماد مذکور ورودیهای بر مبتنی و میانگین کمینه و بیشینه مقدار نام جدول در دارد. )تراکمپذيري ورودی نرونهای از یک هر معیار انحراف ميزان نفت نسبی چگالی نفت به گاز نسبت چگالی مخصوص وزن فشار دما گرانروي نفت در محلول گاز ایران جنوب نفتی مخازن برای نفت( مخصوص وزن گاز است. شده ارائه خروجي اليه مياني يا پنهاني اليههاي ورودي اليه حباب نقطه فشار و سیال حجمی ضریب پیشبینی جهت پیشنهادی عصبی شبکه مدل - شکل معیار انحراف و میانگین کمینه بیشینه مقادیر همراه به پیشنهادی عصبی شبکه ورودی نرونهای - جدول معیار انحراف میانگین کمینه مقدار بیشینه مقدار اختصاری نماد ورودی نرون 8/44 6/355 3/8049 36/96 C o تراکمپذيري ضريب 0/7 0/6974 0/5345 0/9945 ρ. Multilayer Percpetron. Feed-Forward )kg/ ا m 3 ( چگالی 67/56 0/9 66/800 998/4 GOR )Gallon/اOunce( نفت به گاز نسبت 7/36 7/0840 7/4 34/77 API نفت نسبی چگالی 46/74 84/4 6 337/6 R s )cm 3 /Gallon( نفت در محلول گاز ميزان /33 /48 0/960 6/030 µ )Poise( گرانروي 44/383 /877 39/3 77 T ) C( دما 63/7 395/6 83 6548 P )P( فشار 0/334 /095 0/7883 /303 Sp.Gr.G )kg/m 3 ( گاز مخصوص وزن 0/7 0/698 0/535 0/9955 Sp.Gr.O )A.P.I( نفت مخصوص وزن

84 شماره 40 نقطه فشار و B( o ( مخزن سیال حجمی ضریب فیزیکی خواص مهمترین از تابعي صورت P( b ( حباب خروجی نرون قالب در نفتی مخازن سیاالت پیشنهادی عصبی شبکه واقع در است. شده معرفي عنوان به را مذکور فیزیکی خواص مقدار پیشبینی و بیشینه مقدار نام 3 جدول مینماید. دنبال هدف خروجی نرونهای معیار انحراف و میانگین کمینه میدهد. نشان را خطا انتشار پس روش طريق از نیز عصبی شبکه مناسب آموزشی دادههای انتخاب شد. داده آموزش اهمیت حائز بسیار عصبی شبکه نتایج كيفيت در الزم میزان به آموزشی دادههای اگر زیرا است. بهینه نقاط در شبکه است ممکن نباشند متنوع دادههای حجم اگر دیگر سوی از افتد. دام به نسبی آموزش فرآیند است ممکن باشد کم انتخابی شبکه پاسخ و نگرفته صورت خوبی به شبکه کامل دادههای از مقاله این در بود. نخواهد صحيح بهره ایران جنوب نفتی چاه حلقه آزمایشگاهی حلقه هر ازای به كه گونهاي به است شده گرفته سری 76 مجموعا و پذیرفته صورت آزمایش سری 8 شبکه آموزش و تست منظور به مستقل آزمایش ور منظ ه ب ت. اس ه گرفت رار ق تفاده اس ورد م ی عصب عصبی شبکه تست و آموزش دادههای انتخاب به بخشی k متقابل ارزیابی رویکرد پیشنهادی مجموعه تکرار هر در رویکرد این شد. گرفته كار به مینماید تقسیم تصادفی قسمت k به را دادهها آموزش برای دادهها از بخش -k آن در که نحوی مورد شبکه تست منظور به نیز قسمت یک و تکرار مرتبه k مذکور فرآیند ميگیرد. قرار استفاده پیشبینی خطای میانگین به توجه با و میشود بخش دو به دادهها دیگر( معیارهای یا )و شبکه با مشورت از پس میگردند. تقسیم تست و آموزش برابر پژوهش این در k مقدار نفت حوزه کارشناسان در دادهها از سری 7 نتیجه در گردید. تنظیم 3 با شبکه تست جهت آنها از سری 59 و آموزش راستای آموزش فرآیند شد. گرفته بهکار پیشنهادی عصبی دادهها از سری یک تزریق با دوره هر در شبکه طی برگشت و رفت مسیر آن در و گرفته صورت شبکه ورودي کميتهاي رفت مسير در میشود. به مربوط نرونهاي دینامیک توابع در شده وزندار مجددا نرون هر خروجي ميگيرد. قرار اليه هر تزريق بعدي اليه به جديد ورودي بردار عنوان به صورت آنها از يک هر روي مشابهي عمليات و شده واقعي خروجي با اليه آخرين خروجي میپذیرد. خطا عنوان به آنها اختالف و شده مقايسه شبکه توجه با برگشت مسير در ميشود. گرفته نظر در نحوی به بردارها وزن آمده دست به خطاي به خطای پیشرو رفت مسير در که میشود تنظیم آید. حاصل کمتر با پیشنهادی مصنوعی عصبی شبکه اوزان تنظیم ژنتیک الگوریتم از استفاده با و کارآمد دقیق مصنوعی عصبی شبکه یک و صحیح انتخاب با باال تعمیمپذیری قابلیت تعداد اولیه( اوزان )مانند ورودی متغیرهای مناسب و پنهان الیههای نرون تعداد میانی الیههای حاصل شبکه آموزش مناسب الگوریتمهای انتخاب میتوان متغیرها این بهینه انتخاب با لذا میشود. و دقیق نتایج مصنوعی عصبی شبکه داشت انتظار دهد. ارائه خروجی عنوان به را درستی معیار انحراف و میانگین کمینه بیشینه مقادیر همراه به پیشنهادی عصبی شبکه خروجی نرونهای 3- جدول معیار انحراف میانگین کمینه مقدار بیشینه مقدار اختصاری نماد خروجی نرون 0/437 /6656 /039 /3947 B o )bbl/stb( سیال حجمی ضریب. Back Propagation. K-Flod Cross Validation 0 983/4 64 4590 B P )psi( حباب نقطه فشار

4 عصبی... شبکه توسعه بهصورت که ژنتیک الگوریتم قابلیتهای از یکی تنظیم میشود استفاده عصبی شبکه با ترکیبی بکارگیری چگونگی ادامه در است. شبکه اتصاالت اوزان عصبی شبکه اوزان تعیین منظور به ژنتیک الگوریتم میشود. تشریح تحقیق این در یافته توسعه کروموزمها کدگذاری مجموع از ژنتیک الگوریتم کروموزمهای از یک هر عصبی شبکه معماری با متناظر بایاسهای و وزنها کروموزم شکل مثال عنوان به میشود. تشکیل ورودی نرون 4 با شبکه یک معماری از حاصل را خروجی الیه در نرون یک و میانی الیه در نرون و اول الیه که اوزانی شبکه این در میدهد. نمایش نمایش W i با مینمايند متصل یکدیگر به را دوم همین است. 8 با برابر آنها تعداد و میشود داده متصل یکدیگر به را سوم و دوم الیه که اوزانی طور آنها تعداد که میشود داده نمایش W i با میکند شبکه اوزان کل تعداد مجموع در و است با برابر بایاس تعداد دیگر سوی از بود. خواهد 0 با برابر میشود گرفته نظر در دوم الیه نرون عدد دو برای عدد یک همچنین و میشود داده نمایش b i با که سوم الیه در نرون عدد یک برای b i عالمت با بایاس 3 با برابر بایاسها این مجموع میشود. مشخص نظر مورد کروموزم طول نتیجه در بود. خواهد عدد و شبکه این بایاسهای و اوزان تعداد مجموع با برابر کروموزم هر برای ژن 67 رو همین از است. 3 با برابر است. متصور شکل عصبی شبکه با متناظر برازندگی تابع الگوریتم و عصبی شبکه تعامل چگونگی 3 شکل از پس شکل این مطابق میدهد. نمایش را ژنتیک عنوان به دادهها مجموعه پردازش پیش فرآیند انجام میگیرد. قرار استفاده مورد عصبی شبکه ورودی عصبی شبکه ورودیهای با متناظر اولیه اوزان به نخست تکرار در ژنتیک( الگوریتم )کروموزمهای رابطه همچنین میشوند. انتخاب تصادفی صورت هر برازش تابع عنوان به خطا مجذور میانگین از و میگردد قلمداد ژنتیک الگوریتم از کروموزم میشود. ممکن تقاطع عملگر کارگیری به رو این به کروموزمها بهترین از %0 تکرار هر پایان در جدید تصادفی شده تولید کروموزم %90 همراه تا مذکور فرآیند میگردند. منتقل بعد نسل به مییابد. ادامه الگوریتم توقف شرایط به رسيدن به اولیه اوزان عنوان به کروموزم بهترین پایان در میشود. اعمال مصنوعی عصبی شبکه جهش و تقاطع عملگرهای تولید و والد منتخب کروموزمهای تقاطع منظور به 3 نقطهای یک تقاطع عملگر از فرزند کروموزمهای تولید منظور به تقاطع عملگر است. شده استفاده و میگیرد قرار استفاده مورد تکرار هر در نسل با نسلی تولید عملگر این بهکارگیری از اصلی هدف از یک هر که این بر مشروط است بهتر 4 برازندگی ارث به را خود والدین مطلوب مشخصههای فرزندان رویهر بر درعملگرتقاطعیکنقطهای يكنقطه ببرند. و ژنهایقبل انتخابشدهوفرزندانباترکیب کروموزم حاصل منتخب والدین کروموزم تقاطع نقطه بعد میشود مشاهده 4 شکل در که همانگونه میگردند. کروموزم دو نقطهای تک تقاطع عمگر اعمال از پس عملگر این میشوند. فرزند کروموزم دو به تبدیل والد صورت موجود کروموزمهای نصف تعداد به تکرار هر در رویکرد از والد کروموزمهای انتخاب در و میپذیرد میشود. گرفته بهره 5 رولت چرخ W W W 3 W 4 W 5 W 6 W 7 W 8 w w b b b خروجی الیه در نرون یک و میانی الیه در نرون ورودی نرون 4 با عصبی شبکه معماری از نمونه کروموزم نمایش - شکل. Mean Squared Error (MSE). Crossover 3. Single-Point Crossover 4. Fitness 5. Roulette Wheel

84 شماره 4 پیشنهادی مصنوعی عصبی شبکه اوزان تنظیم در ژنتیک الگوریتم بهکارگیری نحوه 3- شکل تقاطع عملگر از استفاده با فرزند کروموزم دو به والد کروموزم دو تبدیل 4- شکل بررسی جهت تقاطع عملگر بهکارگیری از پس نیز جهش عملگر از مساله جواب فضای گستردهتر زا محل یک آن در بهطوریکه میشود استفاده مقدار و شده انتخاب تصادفی بهصورت کروموزم هر افزایش %0 میزان به 0/5 احتمال با متناظر ژن مییابد. )کاهش( توقف شرط نظر در 00 با برابر ژنتیک الگوریتم تکرار کل تعداد در بهبودی تکرار 30 از بعد اگر و است شده گرفته متوقف الگوریتم نیاید وجود به برازندگی مقادیر میشود. محاسباتی نتایج و پیشنهادی عصبی شبکه تست و آموزش فرآیند MATLAB نرمافزار در ژنتیک الگوریتم همچنین سیستم توسط آنها محاسباتی نتایج و شده کدنويسي ر م و هرتزی گیگا /7 پردازنده مشخصات با یکسان بهدست 7 ویندوز عامل سیستم با بایتی گیگا 4 الگوریتم پارامترهای انتخاب منظور به است. آمده تقاطع احتمال اولیه جمعیت تعداد همچون ژنتیک شد. اجرا بار چندین الگوریتم جهش احتمال و خطا و سعی روش از حاصل نتایج 4 جدول مطابق با ژنتیک الگوریتم خروجی بهترین که داد نشان تقاطع احتمال کروموزم 00 اولیه جمعیت فرض واقع در میگردد. ممکن 0/ جهش احتمال و 0/8 مطلق میانگین مقدار مذکور پارامترهای ازای به شبکه خروجی مولفه دو هر برای نسبی خطای فشار و سیال حجمی )ضریب پیشنهادی عصبی میگردد. کمینه حباب( نقطه. Mutation. Absolute Average Relative Error (AARE)

43 توسعه شبکه عصبی... جدول 4- درصد خطای شبکه عصبی پیشنهادی به ازای پارامترهای مختلف الگوریتم ژنتیک تعداد جمعیت احتمال تقاطع احتمال جهش درصد AARE برای ضریب حجمی درصد AARE برای فشار نقطه حباب 3/435 /4095 0/4 0/6 50 5/3098 /98 0/3 0/7 50 4/6094 /8 0/ 0/8 50 /854 /6 0/ 0/9 50 4/6965 /8544 0/4 0/6 00 6/688 /946 0/3 0/7 00 /535 /4379 0/ 0/8 00 3/956 /654 0/ 0/9 00 4/653 /4 0/4 0/6 50 5/6549 /9469 0/3 0/7 50 3/5787 /756 0/ 0/8 50 4/0588 /9695 0/ 0/9 50 با تنظیم پارامترهای الگوریتم ژنتیک اوزان اولیه شبکه عصبی مطابق جدول 5 محاسبه میگردد و بدین طریق شبکه عصبی جهت پیشبینی )مرحله تست( مهیا میشود. در شكلهاي 5 و 6 به ترتیب فرآیند آموزش و تست شبکه عصبی پیشنهادی برای نتايج ضریب حجمی سیال رسم شده است. همانطور که مشاهده میشود مقدار پیشبینی شده به مقدار قابل B o است. همچنین توجهی مشابه با مقدار واقعی مطابق با شکل 7 معادله برازش برای پیشبینی B o به صورت رابطه حاصل میآید: مقدار Y = 0.97 T + 0.054 )( ضریب همبستگی معادله برابر با 0/997 و همچنین شاخص میانگین مجذور خطا )MSE( برابر با 0/00038 است. مقدار همبستگی باال و میزان ناچیز خطا حکایت از دقت باالی نتایج پیشبینی ضریب حجمی سیال دارد. در شكلهاي 8 و 9 به ترتیب نمودار دقت فرآیند آموزش و تست شبکه عصبی پیشنهادی را برای فشار نقطه حباب نشان میدهند. همانطور که مشاهده میشود مقدار پیشبینی شده بسيار P b است. همچنین مطابق نزديك به مقدار واقعی P b با شکل 0 معادله برازش برای پیشبینی مقدار به صورت رابطه حاصل میشود: Y=T-47 )( ضریب همبستگی معادله فوق نزدیک به و برابر با 0/997 و شاخص میانگین مجذور خطا )MSE( برابر با 0/00 است. مقدار همبستگی باال و میزان ناچیز خطا حکایت از دقت باالی نتایج پیشبینی فشار نقطه حباب دارد. به منظور آنالیز دقیقتر رویکرد پیشنهادی این پژوهش با سه روش کالسیک موجود در مراجع مقایسه گرديد. با فرض e به عنوان خطای نسبی پیشبینی مطابق با روابط 6-3 شاخصهایی چون MSE ا RMSE ا ARE ا AARE و ضریب همبستگی در پیشبینی ضریب حجمی سیال محاسبه گرديد كه مقادير آن در جدول 6 ارائه شده است )شاخصهای مذکور در پیشبینی فشار نقطه حباب توسط رویکرد پیشنهادی این مقاله نیز محاسبه شدهاند(.. Root Mean Squared Error. Absolute Relative Error

44 شماره 84 جدول 5- اوزان اولیه شبکه عصبی پیشنهادی بر طبق نتایج الگوریتم ژنتیک بردار اوزان = W i [-0/60, 0/7, 0/9,0/0, 0/76, 0/33, 0/86, 0/5, 0/, 0/55, 0/, 0/93, 0/39, -0/70,0/53 0/9, 0/60, /83, 0/0, 0/3, 0/36, /0, 0/33, 0/59, 0/8, 0/53, 0/, -0/8, 0/3,0/40, 0/83, /7, 0/47, 0/40, 0/7, 0/3, 0/45, 0/3, 0/45, -/, 0/67, 0/53, 0/7, 0/67 0/7, 0/67, 0/53, /, 0/54, -0/, /7, 0/73] W i =]0/30, 0/74, 0/44, 0/48, 0/5, -0/6,0/94, 0/,, 0/55, 0/74, /58[ b i =]0/7, 0/67, 0/59, 0/9, 0/98, 0/85, /55[ ضریب حجمی سیال )bbi/stb( 3 /5 /5 0 هدف خروجي 0 40 60 80 00 تعداد نمونه شکل 5- نمودار دقت فرآیند آموزش شبکه برای ضریب حجمی سیال 3 /5 /5 0 0 30 40 50 تعداد نمونه شکل 6- نمودار دقت فرآیند تست شبکه برای ضریب حجمی سیال /5 /5 هدف خروجي نقاط داده بهترين خط Y=T مقدار ضريب حجمي سيال پيشبيني )Y( R= 0/99767 /5 /5 مقدار ضريب حجمي سيال مورد انتظار )T( شکل 7- نمودار برازش خروجی شبکه عصبی بر حسب مقدار واقعی ضریب حجمی سیال ضریب حجمی سیال )bbi/stb(

45 توسعه شبکه عصبی... هدف خروجي فشار نقطه حباب )psi( 4000 3000 000 000 0 0 40 60 80 00 تعداد نمونه شکل 8- نمودار دقت فرآیند آموزش شبکه برای فشار نقطه حباب 4000 3000 000 000 0 هدف خروجي فشار نقطه حباب )psi( 0 0 30 40 50 تعداد نمونه شکل 9- نمودار دقت فرآیند تست شبکه برای فشار نقطه حباب نقاط داده بهترين خط Y=T 5000 4500 4000 3500 3000 500 000 R= 0/99774 500 000 500 0 000 000 3000 4000 5000 مقدار فشار نقطه حباب مورد انتظار )psi( مقدار فشار نقطه حباب پيشبيني شده )psi( شکل 0- نمودار برازش خروجی شبکه عصبی بر حسب مقدار واقعی فشار نقطه حباب جدول 6- مقایسه رویکرد شبکه عصبی مبتنی بر الگوریتم ژنتیک با روشهای کالسیک موجود در مراجع روش مورد بررسي ویژگی AARE ARE RMSE MSE ضریب همبستگی 0/997 0/046 0/000 0/097 0/00038 B o روش پیشنهادی: شبكه عصبي مبتني 0/997 0/053 0/0004 0/039 0/0008 P b برالگوريتم ژنتيك روش کالسیک ]4[ o 0/888 0/90 0/9 0/986 0/844 B روش کالسیک ]5[ o 0/944 0/4893 0/4964 0/5039 0/54 B روش کالسیک ]3[ o 0/798 0/8948 0/965 0/960 0/9 B

46 شماره 84 این امر جریان نفت به سمت چاه را نیز کندتر مینماید. مطابق شکل ب و با فرض ثابت بودن فشار مشاهده میشود که افزایش دما در سیاالت چند جزیی همچون نفت فشار نقطه حباب را افزایش میدهد. در شکل ) ج( و با فرض ثابت بودن دما نمودار از سمت راست به چپ به شکل زیر قابل بررسی است: با کاهش فشار اولیه مخزن حجم نفت به خاطر انبساط آن افزایش مییابد. این امر به صورت افزایش ضریب حجمی سیال مشاهده میگردد بهطوریکه افزایش حجم مذکور تا فشار نقطه حباب ادامه مییابد. در فشار نقطه حباب نفت بیشترین انبساط خود را تجربه مینماید و ضریب حجمی سیال نیز به حداکثر مقدار خود خواهد رسید. با افت فشار به زیر نقطه حباب حجم نفت و ضریب حجمی سیال به دلیل آزاد شدن گاز محلول کاهش یافته و رفته رفته به مقدار یک نزدیک میشود. شکل ) د( نیز نشان میدهد که در یک دمای ثابت افزایش فشار سبب افزایش فشار نقطه حباب سیال میشود. در جدول 7 نیز تحلیل حساسیت بر روی شاخصهای خطا و ضریب همبستگی در پیشبینی ضریب حجمی سیال و فشار نقطه حباب ارائه شده است. در واقع به ازای تغییرات %0 دما %5 فشار و همچنین %0 چگالی درصد تغییرات در ضرایب همبستگی و خطای پیشبینی محاسبه شده است. به عنوان مثال این نتایج بیان میدارد که افزایش %0 در مقادیر دما )و ثابت ماندن سایر مولفههای ورودی شبکه عصبی پیشنهادی( عالوه بر افزایش خطای پیشبینی ضریب حجمی سیال ضریب همبستگی یک %0/ کاهش مییابد. )3( )4( )5( )6( نتایج محاسباتی شاخصهای یاد شده نشان میدهد که روش پیشنهادی در مقایسه با سایر روشها از همبستگی باالتر و خطای کمتری دارد. در نتیجه شبکه عصبی مبتنی بر الگوریتم ژنتیک قادر به پیشبینی خصوصیات سیاالت ميباشد. همچنین نتایج به دست آمده نشان میدهد شبکه عصبی پیشنهادی بر محدودیت روشهای کالسیک و همچنین محدودیتهای انجام آزمایشهای PVT فائق آمده و میتواند در صیانت از مخازن نفتی ایران راهگشا باشد. تحلیل حساسیت روی متغیرهای خروجی شبکه عصبی مصنوعی پیشنهادی در این بخش از مقاله با فرض ثابت بودن دما )فشار( اثر تغییرات فشار )دما( بر خروجیهای شبکه عصبی یعنی ضریب حجمی سیال و فشار نقطه حباب تحلیل میگردد. مطابق شکل الف فشار ثابت در نظر گرفته میشود. دما نیز در مخزن نفتی مورد نظر مقداری تقریبا ثابت دارد و در نتیجه حجم سیال مخزن نیز ثابت خواهد بود. این در حالی است که با افزایش دما حجم سیال موجود در سطح افزایش یافته و بر حسب معادالت ترمودینامیکی ضریب حجمی سیال با افزایش روبهرو میشود. رسيدن به نقطه فشار حباب سبب میشود تا درصدی از نفت به گاز تبدیل شود. همچنین

47 توسعه شبکه عصبی... 5000 4500 4000 3500 3000 500 000 500 000 500 93/3 40 90 55 دما )C ( 7 74 /4 / /8 /6 /4 / 93/3 ب فشار نقطه حباب )Psi( 90 55 دما )C ( 7 77 الف ضریب حجمی سیال )bbi/stb( /4 / /8 /6 /4 / 93 638 3995 480 فشار )P( 600 ج ضریب حجمی سیال )bbi/stb( 5000 4500 د 4000 3500 3000 500 000 500 000 500 83 46 38 499 600 فشار )P( فشار نقطه حباب )Psi( شکل - الف( تغییرات ضریب حجمی سیال به ازای افزایش دما ب( تغییرات فشار نقطه حباب به ازای افزایش دما ج( تغییرات ضریب حجمی سیال به ازای افزایش فشار د( تغییرات فشار نقطه حباب به ازای افزایش فشار جدول 7- تحلیل حساسیت بر خطای پیشبینی و ضریب همبستگی به ازای تغییرات در دما فشار و چگالی ميزان تغييرات در دما فشار و چگالی ویژگی درصد تغییرات MSE درصد تغییرات RMSE درصد تغییرات ARE درصد تغییرات AARE درصد تغییرات ضریب همبستگی -/0 8/6 7/4 5/ /5 B o - /0 7/68 3/58 4/53 /35 P b %0 افزایش دما -/0-3/ -7/4-6/9-4/8 B o -/0 4/30 5 7/9 5/43 P b %0 کاهش دما -/0 8/56 3/5 5/39 3/97 B o -3/0 7/55 50 3/6 /6 P b %5 افزایش فشار -4/0 /56 6/47 6/4 5/0 B o -/0 5/3 8/0 /6 /59 P b %5 کاهش فشار -/0 3/ 5/9 6/8 4/8 B o -/0 7/38 5/37 8/4 4/0 P b %0 افزایش چگالی /0-6/37-38 -6/43-4/68 B o 0/0-7/0 -/4 6/0 0/9 P b %0 کاهش چگالی نتیجهگیری در این مقاله از شبکه عصبی مصنوعی مبتنی بر الگوریتم ژنتیک به منظور پیشبینی نتایج آزمایشهای PVT بهره گرفته شد. در این راستا ضریب حجمی سیال و فشار نقطه حباب )دو مورد از خصوصیات مهم سیال مخازن( به عنوان هدف پیشبینی شبکه انتخاب شدند. شبکه عصبی مصنوعی طراحی شده از نوع پیشرو با سه الیه بود

48 شماره 84 و به منظور آزمایش و تست آن از 76 سری کامل دادههای حلقه چاه نفت مناطق جنوب ایران استفاده گردید. به عالوه جهت افزایش دقت و بازدهی بیشتر شبکه عصبی پیشنهادی از قابلیتهای الگوریتم ژنتیک در بهینهسازی اوزان اولیه اتصاالت بهره گرفته شده است. نتایج محاسباتی حکایت از توانایی شبکه عصبی پیشنهادی در پیشبینی خروجيهاي مدل با ضریب همبستگی باال و خطای بسیار ناچیز دارد. این نتایج نشان میدهد که رویکرد پیشنهادی در مقایسه با روشهای کالسیک عمکرد بسیار بهتری داشته و توانسته است بر مشکالت انجام آزمایشهای PVT و همچنین محدودیت کاربرد منطقهای روشهای کالسیک غلبه نماید. در نتیجه شبکه پیشنهادی میتواند روشی کارا به منظور پیشبینی آزمایشهای PVT مخازن نفت ی ای ران قلم داد گ ردد. تشکر و قدردانی تهيهکنندگان اين پژوهش وظيفه خود میدانند که از همفکری و راهنماییهاي کلیه همکاران تشکر نمایند. مراجع ][. صيرفيان ع. زمین شناسی نفت نشر سمر 386. ][. علی مددی ا. کاربرد سیستمهای هوشمند در صنایع باالدستی صنعت نفت پایاننامه کارشناسیارشد دانشگاه بوعلی سینا ایران 39. [3]. Asadisaghanid J. and Tahmasebi P., Comparative evaluation of back-propagation neural network learning algorithms and empirical correlations for prediction of oil PVT properties in Iran oilfields, Petroleum Science and Engineering, Vol. 78, pp. 464-475, 0. [4]. Mohaghegh S. D., Recent developments in application of artificial intelligence in petroleum engineering, J. Pet. Technol., Vol. 78, pp. 86 9, 005. [5]. Mohaghegh S. D., Virtual intelligence applications in petroleum engineering: Part evolutionary computing, J. Pet. Technol., Vol. 5, pp. 40-46, 000. [6]. Weiss W. W., Balch R. S., and Stubbs B. A., How artificial intelligence methods can forecast oil production, SPE/DOE Improved Oil Recovery Symposium, Tulsa, 00. [7]. Al-Fattah S. M. and Startzman R. A., Predicting natural-gas production using artificial neural network, SPE Hydrocarbon Economics and Evaluation Symposium, Dallas, Texas, 00. [8]. Moghadassi A. R., Parvaizian F., Hosseini S. M., and Fazlali A. R., A new approach for estivation of PVT Properties of pure gazes based on artificial neural network model, Brazilian Journal of chemical Egnineering, Vol. 6, pp. 99-06, 009. [9]. Zambrano G., Development of neural network models for the prediction of dew point pressure of retrograde gases and saturated oil viscosity of black oil systems, Masters thesis, Texas A & M University, USA, 00. [0]. Bozorgmehry R. B., Abdolahi F., and Moosavian M. A., Characterization of basic properties for pure properties for pure substances and petroleum fractions by neural network, Fluid phase equilibria, Vol. 3, pp. 88-96, 005. []. Dehghani M. R., Modarress H., and Bakhshi A., Modeling and prediction of activity coefficient ratio of electrolytes in aqueous electrolyte solution containing amino acids using artificial neural network, Fluid phase equilibria, Vol. 44, pp. 53-59, 006.

49 توسعه شبکه عصبی... []. Ganguly S., Prediction of VLE data using radial basis function network, Computers and chemical engineering, Vol. 7, pp. 445-454, 003. [3]. Sozen A., Arcakilioglu E., and Ozalp M., Formulation based on artificial neural network of thermodynamic properties of ozone friendly refrigerant/absorbent couples, Applied thermal engineering, Vol. 5, pp. 808-80, 005. [4]. Biglin M., Isobaric vapor-liquid equilibrium calculations of binary systems using a neural network, J. Serb. Chem. Soc., Vol. 69, pp. 669-674, 004. [5]. Gharbi R. B. and Elsharkawy A. M., Neural-network model for estimating the PVT properties of Middle East crude oils, SPE Middle East Oil Show and Conference, Bahrain, 997. [6]. Elsharkawy A. M., Modeling the properties of crude oil and gas systems Using RBF network, SPE Asia Pacific Oil and Gas Conference, Perth, Australia, 998. [7]. Varotsis N., Gaganis V., Nighswander J., and Guieze P., A novel non-iterative method for the prediction of the PVT behavior of reservoir fluids, SPE Annual Technical Conference and Exhibition, Houston, Texas, 999. [8]. Gharbi R. B. and Elsharkawy A. M., Universal neural-network model for estimating the PVT properties of crude oils, SPE Asia Pacific Oil & Gas Conference, Kuala Lumpur, Malaysia, 999. [9]. Osman E. A., Abdel-Wahhab O. A., and Al-Marhoun M. A., Prediction of oil properties using neural networks, SPE Middle East Oil Show Conference, Bahrain, 00. [0]. Al-Marhoun M. A. and Osman E. A., Using artificial neural networks to develop new PVT correlations for saudi crude oils, Abu Dhabi, United Arab Emirates, 00. []. Eissa M., Shokir El-M., Goda Hussam M.,. Fattah Khaled A., and Sayyouh Mohamed H., Modeling approach for predicting PVT data, Engineering Journal of the University of Qatar, vol. 7, pp. -8, 004. []. Omole O., Falode O. A., and Deng D. A., Prediction of Nigerian crude oil viscosity using artificial neural network, Petroleum & Coal, Vol. 5, pp. 8-88, 009. [3]. Ahmed T., Hydrocarbon phase behavior, Vol. 7, Houston, TX: Gulf Publishing Company, 989 [4]. Vasquez A. and Beggs H. D., Correlation for Fluid Physical Property Predictior, Journal of Petroleum Technology, Vol. 3, No 6, 980. [5]. Petrosky G. E., Farshad F., Pressure-volume-temperature correlations for gulf of mexico crude oils, SPE Res. Eval. & Eng., Vol., No.5, pp. 46-40, 998..