Narzędzia help

Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
first previous next last
cannonical link button

http://yadda.icm.edu.pl:80/baztech/element/bwmeta1.element.baztech-c3a928dc-3c6c-4fa1-bbb1-310dd6f57b9c

Czasopismo

Prace Naukowe Instytutu Nafty i Gazu

Tytuł artykułu

Zastosowanie sztucznych sieci neuronowych do modelowania eksploatacji gazu ze złóż łupkowych

Autorzy Klimkowski, Ł.  Nagy, S.  Barbacki, J. 
Treść / Zawartość http://www.inig.pl/wydawnictwa-inig-pib/prace-naukowe-inig-pib
Warianty tytułu
EN Shale gas simulation with use of artificial neural network
Konferencja Geopetrol 2016 : Współpraca nauki i przemysłu w rozwoju poszukiwań i eksploatacji złóż węglowodorów : X Międzynarodowa Konferencja Naukowo-Techniczna : Zakopane 19--22.09.2016
Języki publikacji PL
Abstrakty
PL Fizyka przepływu gazu w złożach niekonwencjonalnych, szczególnie w łupkach, różni się znacznie od złóż konwencjonalnych. W związku ze znacznym wzrostem znaczenia tego źródła energii w ostatnich latach numeryczne modele złożowe rozwijane są właśnie pod kątem lepszego odwzorowania mechanizmów transportu płynów w ośrodkach tego typu. W rezultacie modele te są znacznie bardziej złożone niż modele złóż konwencjonalnych, i mimo że w większości przypadków ograniczane są do strefy drenażu pojedynczego odwiertu, czasochłonność symulacji jest znaczna, a tym samym liczba realizacji ograniczona. Rozwiązanie problemu mogą stanowić modele działające w oparciu o narzędzia sztucznej inteligencji, jakimi są sztuczne sieci neuronowe. Modele te, nazywane modelami zastępczymi, stanowią swego rodzaju repliki tradycyjnych modeli i pozwalają na uzyskiwanie wyników o dużej dokładności w czasie rzeczywistym (pojedyncza symulacja trwa ułamek sekundy!). W referacie przedstawiono procedurę tworzenia modelu inteligentnego dla jednoodwiertowej eksploatacji gazu ze złoża łupkowego.
EN Physics of the fluid flow in unconventional reservoirs, especially in organic rich shales, differs significantly from conventional reservoirs. This was a strong impulse in reservoir simulation tools’ development to include phenomena connected with gas flow in ultra low permeable medium. In result models are becoming more and more complex and simulation run-times longer limiting the number of realizations. Among the solutions dedicated to shale gas simulation in recent years methods using artificial intelligence tools appear, mainly artificial neural networks (ANN). This paper describes the process of alternative intelligent model development on the basis of well-scale numerical model.
Słowa kluczowe
PL złoża łupkowe   eksploatacja gazu   sztuczne sieci neuronowe  
EN shale formations   gas exploitation   artificial neural networks  
Wydawca Instytut Nafty i Gazu - Państwowy Instytut Badawczy
Czasopismo Prace Naukowe Instytutu Nafty i Gazu
Rocznik 2016
Tom nr 209 wyd. konferencyjne
Strony 811--815
Opis fizyczny Bibliogr. 6 poz., wykr.
Twórcy
autor Klimkowski, Ł.
  • AGH Akademia Górniczo-Hutnicza im. St. Staszica, Wydział Wiertnictwa, Nafty i Gazu, Katedra Inżynierii Gazowniczej
autor Nagy, S.
  • AGH Akademia Górniczo-Hutnicza im. St. Staszica, Wydział Wiertnictwa, Nafty i Gazu, Katedra Inżynierii Gazowniczej
autor Barbacki, J.
  • AGH Akademia Górniczo-Hutnicza im. St. Staszica, Wydział Wiertnictwa, Nafty i Gazu, Katedra Inżynierii Gazowniczej
Bibliografia
[1] Bravo C., Saputelli L., Ricas F., Perez A.G., Nikolaou M., Zangl G., de Guzman N., Mohaghegh S., Nunez G. – State of the art of Artificial Intelligence and Predicitive Analytics in the E&P industry: a technology survey. SPE 150314, 2012.
[2] Klimkowski Ł. – Jednoodwiertowy model zastępczy oparty na elementach sztucznej inteligencji dla symulacji eksploatacji gazu z łupków. Rozprawa doktorska, AGH 2016.
[3] Mohaghegh S.D. – Virtual Intelligence applications in petroleum engineering: Part I – Artificial Neural Network, Part II – Evolutionary Computing, Part III – Fuzzy Logic. SPE Distinguished Authors Series 2000.
[4] Mohaghegh S.D. – Reservoir simulation and modeling based on Artificial Intelligence and Data Mining (AI&DM). JNGSE, Elsevier B.V. 2011.
[5] Nikravesh M., Aminzadeh F. – Past, present and future intelligent reservoir characterization. JPSE, Elsevier 2001/
[6] Tadeusiewicz R. – Sieci neuronowe. Akademicka Oficyna Wydaw. RM, Warszawa 1993.
Uwagi
Artykuł w części: Warsztaty V. Modelowanie i symulacje złożowe – nowe metody i zastosowania
Kolekcja BazTech
Identyfikator YADDA bwmeta1.element.baztech-c3a928dc-3c6c-4fa1-bbb1-310dd6f57b9c
Identyfikatory