Artificial Intelligence Techniques in Reservoir Characterization
No Thumbnail Available
Date
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Saudi Digital Library
Abstract
عنوان الرسالة: تقنيات الذكاء الصطناعي لتوصيف المكامن احد أهم الأهداف في مجال انتاج النفط هو الحصول على تقديرات اولية لكميات الهيدروكربون المتوفرة في اي موقع قبل بدء الاستثمار و التطوير و الانتاج في ذلك الموقع. وتعتبر المسامية والسماحية و تشبع الموائع من أهم الخصائص لوصف و تصنيف المكمن و من ثم تقدير كميات الهيدروكربونات و نمطية انسيابها، و هما عاملان مهمان يستخدمان لايجاد امثل انتاج للحقل. وهناك الكثير من المعادلات التجربية التي تستعمل لتحويل قياسات الآبار لتقدير الخصائص الهامة للحقل. ومؤخرا صار الباحثون يستخدمات الشبكات العصبية الصناعية و خصوصا الشبكات العصبية ذات التغذية الامامية و الانتشار الخلفي (FFNN) للحصول على تقديرات اكثر دقة. وأدى النجاح الذي أحرزه استخدام (FFNN) إلى فتح الباب لتقنيات تعليم الآلة والحوسبة اللينة لتلعب دورا هاما في مجالات انتاج النفط و الغاز. إلا أن النظم التي تستعمل FFNN تعاني من بعض السلبيات، و لهذا تم اقتراح عدد من الطرق التحسينية. وهذا البحث يدرس مدى مناسبة استعمال بعض التطويرات الحديثة في مجال الشبكات العصبية و التي تشمل شبكات الدوال و الشبكات العصبية التضامنية المتتالية وشبكات التراجع العامة، لتقدير المسامية وتشبع المياه و الانسيابية. ونظرا لعدم وجود برامج مكتملة البناء خاصة لبناء شبكات الدوال فقد قمنا بوصف كامل للخطوات و المنهجية لبناء نظام شبكات الدوال ليستخدم في تقدير العوامل سالفة الذكر. كما قمنا أيضا بمقارنة أداء هذه الطرق المختلفة مع اداء طريقة FFNN و مع اداء الطرق التجريبية. وبشكل عام فقد أظهرت النتائج المتحصل عليها أن أداء كلا من شبكات التراجع العامة والشبكات التضامنية المتتالية و شبكات الدوال كانت متفوقة على تلك الخاصة بالشبكات العصبية التقليدية. إضافة لذلك فقد وجد ان طريقة الشبكات التراجعية العامة أكثر قدرة على التعميم والتنبؤ من مدخلات جديدة. بينما كانت شبكات الدوال أسرع وأسهل في عملية التدريب مع تجنب مشاكل الإفراط في التدريب، و الأكثر أهمية هو أننا نحصل على معرفة أعمق للعلاقات الضمنية من معاملات شبكات الدوال. و لذا فإننا نعتقد بان استخدام هذه الطرق سيكون ذا قيمة كبيرة في مجال هندسة النفط.