پیش‌بینی حداقل فشار امتزاجی (MMP) در تزریق گاز به مخازن نفتی با روش‌های هوشمند داده محور

نوع مقاله : علمی-پژوهشی

نویسندگان

گروه نفت، دانشکده مهندسی شیمی، نفت و گاز، دانشگاه علم و صنعت ایران، تهران، ایران

چکیده

فرآیندهای تزریق دی‌اکسید کربن از جمله روش­های مؤثر در ازدیاد برداشت نفت است. یک پارامتر کلیدی در طراحی پروژه تزریق دی‌اکسید کربن حداقل فشار امتزاجی است. از نقطه نظر تجربی، به طور معمول آزمایش لوله قلمی حداقل فشار امتزاجی را تعیین می‌کند. از آنجا که این آزمایش بسیار پرهزینه و زمان‌بر است، معمولاً روش‌های سریع و قوی دیگر برای تعیین حداقل فشار امتزاجی مورد تقاضا است. در این تحقیق دو مدل جدید برای پیش‌بینی حداقل فشار امتزاجی نفت و دی‌اکسید کربن خالص و ناخالص و هم‌چنین اثر ناخالصی‌ها بر حداقل فشار امتزاجی ارائه شده است. از شبکه عصبی و رگرسیون ماشین بردار پشتیبان به منظور طراحی شبکه برای پیش‌بینی حداقل فشار امتزاجی استفاده شده است. این شبکه‌ها توسط داده‌های معتبر شامل متغیرهای مستقل آموزش داده شده­اند. دقت متوسط مقادیر پیش‌بینی شده برای شبکه عصبی برحسب مقدار ضریب تعیین  و مقدار میانگین خطای مربع، 9863/0 و 0018/0 می‌باشد. این مقادیر برای رگرسیون ماشین بردار پشتیبان به ترتیب 9870/0 و 0017/0 می ­باشد. علاوه بر این، مدل­ های جدید می‌توانند برای پیش‌بینی حداقل فشار امتزاجی نفت‌دی‌اکسید کربن ناخالص در غلظت­های بالای اجزای غیر از دی‌اکسید کربن (تا 100% برای متان و 50% برای سولفید هیدروژن) مورد استفاده قرار گیرند.

کلیدواژه‌ها

موضوعات

مراجع

[1] Czarnota R., Janiga D., Stopa J., Wojnarowski P., Determination of Minimum Miscibility Pressure for CO2 and Oil System Using Acoustically Monitored Separator, Journal of CO2 Utilization, 17: 32-36 (2017).
[2] Czarnota R., Janiga D., Stopa J., Wojnarowski P., Kosowski P., Minimum Miscibility Pressure Measurement for CO2 and Oil Using Rapid Pressure Increase Method, Journal of CO2 utilization, 21: 156-161 (2017).
[3] Liu Y., Jiang L., Tang L., Song Y., Zhao J., Zhang Y.,  Minimum miscibility pressure estimation for a CO2/n-decane system in porous media by X-ray CT. Experiments in Fluids, 56(7): 154 (2015).
[4] Liu Y., Jiang L., Tang L., Song Y., Zhao J., Zhang Y., Estimation of minimum miscibility pressure (MMP) of CO2 and liquid   n-alkane systems using an improved MRI technique. Magnetic resonance imaging, 34(2): 97-104 (2016).
[5] Ahmad W., Vakili-Nezhaad G., Al-Bemani A., Al-Wahaibi Y.,  Experimental determination of minimum miscibility pressure. Procedia engineering, 148: 1191-1198 (2016).
[6] Wang Y., Peck D., Analytical calculation of minimum miscibility pressure: comprehensive testing and its application in a quantitative analysis of the effect of numerical dispersion for different miscibility development mechanisms. in SPE/DOE Improved Oil Recovery Symposium. Society of Petroleum Engineers (2000).
[7] Tian Y., Ju B., Yang Y., Wang H., Dong Y., Liu N.,  Estimation of minimum miscibility pressure during CO2 flooding in hydrocarbon reservoirs using an optimized neural network. Energy Exploration & Exploitation, 38(6): 2485-2506 (2020).
[8] Dindoruk B., Johns R., Orr F., Measurement and modeling of minimum miscibility pressure: A state-of-the-art review. SPE Reservoir Evaluation & Engineering, 24(2): 367-389 (2021).
[9] Jia J., Li J., Liang Y., Peng B., Molecular Dynamics Study on Performance of Olefin Sulfonate at the Decane–Water Interface: Effect of Molecular Architecture. Fuel, 308: 122013 (2022).
[10] Zhu S., Yu H., Yan G., Li J., Cao A., Sun C., Miscibility Process of Hydrocarbon Mixture Gas and Crude Oil: Insights from Molecular Dynamics. Industrial & Engineering Chemistry Research, 60(37): 13710-13718 (2021).
[11] Nezhad  A.B., Mousavi S.M., Aghahoseini S., Development of an artificial neural network model to predict CO2 minimum miscibility pressure. Nafta, 62(3-4): 105-108 (2011).
[12] Zhang H., Hou D., Li K., An improved CO2-crude oil minimum miscibility pressure correlation. Journal of Chemistry, (2015).
[13] Chen G., Wang X., Liang Z., Gao R., Sema T., Luo P., Zeng F., Tontiwachwuthikul P., Simulation of CO2-oil minimum miscibility pressure (MMP) for CO2 enhanced oil recovery (EOR) using neural networks. Energy Procedia, 37: 6877-6884 (2013).
[14] Zendehboudi S., Ahmadi M., Shafiei A., Babadagli T., A developed smart technique to predict minimum miscible pressure—EOR implications. The Canadian Journal of Chemical Engineering, 91(7): 1325-1337 (2013).
[15] Zendehboudi S., Ahmadi M., Mohammadzadeh O., Bahadori A., Chatzis I., Thermodynamic investigation of asphaltene precipitation during primary oil production: laboratory and smart technique. Industrial & Engineering Chemistry Research, 52(17): 6009-6013 (2013).
[16] Roosta A., Setoodeh P., Jahanmiri A., Artificial neural network modeling of surface tension for pure organic compounds. Industrial & Engineering Chemistry Research, 51(1): 561-566 (2011).
[17] Kumar K.V., Neural network prediction of interfacial tension at crystal/solution interface. Industrial & Engineering Chemistry Research, 48(8): 4160-4164  (2009).
[18] Ghiasi M.M., Bahadori A., Zendehboudi S., Estimation of triethylene glycol (TEG) purity in natural gas dehydration units using fuzzy neural network. Journal of Natural Gas Science and Engineering, 17: 26-32 (2014).
[19] Kamari A., Mohammadi A., Bahadori A., Zendehboudi S., A reliable model for estimating the wax deposition rate during crude oil production and processing. Petroleum Science and Technology, 32(23): 2837-2844 (2014).
[20] Zendehboudi S., Elkamel A., Chatzis I., Ahmadi M., Bahadori A.,  Estimation of breakthrough time for water coning in fractured systems: Experimental study and connectionist modeling. AIChE Journal, 60(5): 1905-1919 (2014).
[21] Kamari A.,  Bahadori A., Mohammadi A., Zendehboudi S.,  New tools predict monoethylene glycol injection rate for natural gas hydrate inhibition. Journal of Loss Prevention in the Process Industries, 33: 222-231 (2015).
[22] Alston  R., Kokolis G., James C., CO2 minimum miscibility pressure: a correlation for impure CO2 streams and live oil systems. Society of Petroleum Engineers Journal, 25(02): 268-274 (1985).
[23] Maklavani A., Vatani A., Moradi B., Tangsirifard J., New minimum miscibility pressure (MMP) correlation for hydrocarbon miscible injections. Brazilian Journal of Petroleum and Gas, 4(10) (2010).
[24] Emera M., Lu J., Genetic Algorithm (GA)-Based Correlations Offer More Reliable Prediction of Minimum Miscibility Pressures (MMP) Between the Reservoir Oil and CO2 or Flue Gas. in Canadian International Petroleum Conference. Petroleum Society of Canada (2007).
[25] Shokir E.M.E.M., CO2–oil minimum miscibility pressure model for impure and pure CO2 streams. Journal of Petroleum Science and Engineering, 58(1-2): 173-185 (2007).
[26] Yellig W., Metcalfe R., Determination and Prediction of CO2 Minimum Miscibility Pressures (includes associated paper 8876). Journal of Petroleum Technology, 32(01): 160-168 (1980).
[27] Emera M.K., Sarma H.K., Use of genetic algorithm to estimate CO2–oil minimum miscibility pressure—a key parameter in design of CO2 miscible flood. Journal of petroleum science and engineering, 46(1-2): 37-52 (2005).
[28] Jaubert J.N., Avaullee L., Souvay J.F., A crude oil data bank containing more than 5000 PVT and gas injection data. Journal of Petroleum Science and Engineering, 34(1-4): 65-107 (2002).
[29] Glaso O., Generalized minimum miscibility pressure correlation (includes associated papers 15845 and 16287). Society of Petroleum Engineers Journal, 25(06): 927-934 (1985).
[30] Chen G., Fu K., Liang Z., Sema T., Li C., Tontiwachwuthikul P., Idem R., The genetic algorithm based back propagation neural network for MMP prediction in CO2-EOR process. Fuel, 126: 202-212  (2014).
[31] Dehghani S.M., Sefti M., Ameri A., Kaveh N., Minimum miscibility pressure prediction based on a hybrid neural genetic algorithm. chemical engineering research and design, 86(2): 173-185 (2008).
[32] Fathinasab M., and Ayatollahi S., On the determination of CO2–crude oil minimum miscibility pressure using genetic programming combined with constrained multivariable search methods. Fuel, 173: 180-188 (2016).
[33] Kaydani H., Najafzadeh M., Hajizadeh A., A new correlation for calculating carbon dioxide minimum miscibility pressure based on multi-gene genetic programming. Journal of Natural Gas Science and Engineering, 21: 625-630 (2014).
[34] Lee J.,  Effectiveness of carbon dioxide displacement under miscible and immiscible conditions. Report RR-40, Petroleum Recovery Inst., Calgary, (1979).

فایل ها

هم رسانی

ارجاع به این مقاله

آمار