The application of back propagation neural network for predicting production flow rate of oil wells in Hai Su Trang field, Vietnam

• Autorzy: Vu Hong Duong , Nguyen Tien Hung , Nguyen Ming Hoa

Identyfikatory

DOI

10.18668/NG.2024.07.02

Warianty tytułu

PL

Zastosowanie sieci neuronowych z propagacją wsteczną do prognozowania wskaźnika wydobycia ropy w odwiertach naftowych na złożu Hai Su Trang w Wietnamie

• Języki publikacji: EN

Abstrakty

EN

Oil production flow rate prediction is a critical aspect of oil and gas exploitation operations. Currently, flow rate forecasting is often estimated using theoretical or empirical models. Theoretical models tend to provide predictions with a wide range of errors and require extensive input data. On the other hand, empirical models have limitations due to restricted data. The objective of this article is to develop a correlation for highly accurate forecasting of the production flow rate. In order to achieve this goal, this study applies an artificial neural network (ANN) for flow rate prediction. The backpropagation algorithm and the tansig function are selected in this study as a learning algorithm to forecast flow rate. The study considered 262 datasets collected from six wells in the Hai Su Trang field, Cuu Long basin used in the ANN model, with 70% for training, 15% for testing, and the remaining 15% for validation. This article evaluates the ability of ANN model to predict flow rate with different numbers of neuron. The predicted results obtained from the ANN model with eight neurons and backpropagation algorithm achieved high predictability when compared to empirical methods and multivariate regression model, with a strong correlation coefficient of 0.97 and a low RMSE of 32.54 bbl/d. Therefore, the developed ANN models have been shown to be an effective tool in production flow rate forecasting in oilfields.

PL

Prognozowanie wskaźnika wydobycia ropy naftowej jest krytycznym aspektem eksploatacji złóż ropy naftowej i gazu ziemnego. Obecnie prognozowanie wydajności przypływu jest często szacowane przy użyciu modeli teoretycznych lub empirycznych. Modele teoretyczne zazwyczaj generują prognozy z wieloma błędami i wymagają obszernych danych wejściowych. Z drugiej strony, modele empiryczne wykazują ograniczenia ze względu na ograniczoną ilość danych. Celem tego artykułu jest opracowanie korelacji dla bardzo dokładnego prognozowania wskaźnika wydobycia ropy. W tym celu w badaniu zastosowano sztuczną sieć neuronową (ANN). Algorytm wstecznej propagacji i funkcja tansig zostały wybrane w tym badaniu jako algorytm uczenia się do prognozowania wskaźnika wydobycia ropy. W badaniu uwzględniono 262 zestawy danych zebranych z sześciu odwiertów eksploatacyjnych na złożu Hai Su Trang w basenie Cuu Long, które wykorzystano w modelu ANN, z czego 70% do szkolenia, 15% do testowania, a pozostałe 15% do walidacji. W niniejszym artykule oceniono zdolność modelu ANN do przewidywania wskaźnika wydobycia ropy przy różnej liczbie neuronów w warstwie. Przewidywane wyniki uzyskane z modelu ANN z ośmioma neuronami w warstwie i algorytmem wstecznej propagacji wykazały dużą przewidywalność w porównaniu z metodami empirycznymi i wielowymiarowym modelem regresji, z silnym współczynnikiem korelacji wynoszącym 0,97 i niskim RMSE wynoszącym 32,54 bbl/d. Dlatego też opracowane modele ANN okazały się skutecznym narzędziem w prognozowaniu wskaźnika wydobycia ropy naftowej ze złóż.

Słowa kluczowe

EN

artificial neural network; backpropagation algorithm; flow rate prediction; multivariate regression method; gas-lift

PL

sztuczna sieć neuronowa; algorytm wstecznej propagacji; przewidywanie wskaźnika wydobycia ropy; metoda regresji wielozmiennej; gazodźwig

• Wydawca: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
• Czasopismo: Nafta-Gaz
• Rocznik: 2024
• Tom: R. 80, nr 7
• Strony: 408--417
• Opis fizyczny: Bibliogr. 24 poz., rys.

Twórcy

autor

Vu Hong Duong

• Hanoi University of Mining and Geology

autor

Nguyen Tien Hung

• Hanoi University of Mining and Geology

autor

Nguyen Ming Hoa

• Hanoi University of Mining and Geology

Bibliografia

• Achong I.B., 1961. Revised bean performance formula for lake Maracaibo wells. Shell Internal Report.
• Al Ajmi M.D., Alarifi S.A., Mahsoon A.H., 2015. In improving multiphase choke performance prediction and well production test validation using artificial intelligence: a new milestone. SPE Digital Energy Conference and Exhibition. DOI: 10.2118/173394-MS.
• Alakeely A.A., Horne R.N., 2021. Application of deep learning methods to estimate multiphase flow rate in producing wells using surface measurements. Journal of Petroleum Science and Engineering, 205: 108936. DOI: 10.1016/j.petrol.2021.108936.
• Al-Attar H.H., 2008. Performance of wellhead chokes during subcritical flow of gas condensates. Journal of Petroleum Science and Engineering, 60(3–4): 205–212. DOI: 10.1016/j.petrol.2007.08.001
• Al-Attar H.H., Abdul-Majeed G.H., 1988. Revised bean performance equation for East Baghdad oil wells. SPE Production &. Engineering, 3(01): 127–131. DOI: 10.2118/13742-PA.
• Azim R.A., 2022. A new correlation for calculating wellhead oil flow rate using artificial neural network. Artificial Intelligence in Geosciences, 3(3). DOI: 10.1016/j.aiig.2022.04.001.
• Barjouei H.S., Ghorbani H., Mohamadian N., Wood D.A., Davoodi S., Moghadasi J., Saberi H., 2021. Prediction performance advantages of deep machine learning algorithms for two-phase flow rates through wellhead chokes. Journal of Petroleum Exploration and Production Technology, 11: 1233–1261. DOI: 10.1007/s13202-021-01087-4.
• Baxendell P.B., 1958. Producing wells on casing flow-an analysis of flowing pressure gradients. Petroleum Transactions, 213(01): 202–206. DOI: 10.2118/983-G.
• Beiranvand M.S., Mohammadmoradi P., Aminshahidy B., Fazebdolabadi, B., Aghahoseini S., 2012. New multiphase choke correlations for a high flow rate Iranian oil field. Mechanical Sciences, 3(1): 43–47. DOI: 10.5194/ms-3-43-2012.
• Choubineh A., Ghorbani H., Wood D.A., Moosavi S.R., Khalafi E., Sadatshojaei E., 2017. Improved predictions of wellhead choke liquid critical-flow rates: Modelling based on hybrid neural network training learning-based optimization. Fuel, 207: 547–560. DOI: 10.1016/j.fuel.2017.06.131.
• Espinoza R., 2015. In digital oil field powered with new empirical equations for oil rate prediction. SPE Middle East Intelligent Oil and Gas Conference and Exhibition. DOI: 10.2118/176750-MS.
• Ghorbani H., Wood D.A., Moghadasi J., Choubineh A., Abdizadeh P., Mohamadian N., 2018. Predicting liquid flow-rate performance through wellhead chokes with genetic and solver optimizers: an oil field case study. Journal of Petroleum Exploration and Production Technology, 9(3): 1–19. DOI:10.1007/s13202-018-0532-6.
• Gilbert W.E., 1954. Flowing and gas-lift well performance. API Drilling and Production Practice, 13: 126–157.
• Gorjaei R.G., Songolzadeh R., Torkaman M., Safari M., Zargar G., 2015. A novel PSO-LSSVM model for predicting liquid rate of two-phase flow through wellhead chokes. Journal of Natural Gas Science and Engineering, 24: 228–237. DOI: 10.1016/j.jngse. 2015.03.013.
• Hasanvand H., Berneti S.M., 2015. Predicting oil flow rate due to multiphase flow meter by using an Artifical neural network. Energy Sources, Part A: Recovery, Utilization and Environmental Effects, 37(8): 840–845. DOI: 10.1080/15567036.2011.590865.
• Ibrahim A.F., Al-Dhaif R, Elkatatny S., Al Shehri D., 2021. Applications of artificial intelligence to predict oil rate for high gas– oil ratio and water-cut wells. ACS Omega, 6(30): 19484–19493. DOI: 10.1021/acsomega.1c01676.
• Kaleem W., Tewari S., Fogat M., Martyushev D.A., 2023. A hybrid machine learning approach-based study of production forecasting and factor fluencing the multiphase flow through surfaces chokes. Petroleum. DOI: 10.1016/j.petlm.2023.06.001.
• Liu Y.H., Zhang Z.B., Chen D.Z., Tang Z.P., Hu S.Q., 2011. Analysis of liquid-carrying capacity in high GLR gas wells with downhole choke. Xinjiang petroleum geology, 32(5): p. 495.
• Khan M.R., Tariq Z., Abdulraheem A., 2018. In utilizing state of the art computational intelligence to estimate oil flow rate in artificial lift wells. SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition: SPE-192321-MS. DOI: 10.2118/192321-MS.
• Marfo S.A., Kporxah C., 2020. Predicting oil production flow rate using artificial neural network and decline curve analytical methods. Proceedings of 6th UMaT Biennial International Mining and Mineral Conference, Tarkwa, Ghana, 43–50.
• Osman M.E., Dokla M.E., 1990. Gas condensate flow through chokes. European Petroleum Conference, The Hague, Netherlands,SPE-20988-MS.
• Ros N.C.J., 1960. An analysis of critical simultaneous gas/liquid flow through a restriction and its application to flow metering. Applied Scientific Research, 9: 374–389. DOI: 10.1007/BF00382215
• Tangren R.F., Dodge C.H., Seifert H.S., 1949. Compressibility effects in two-phase flow. Journal of Applied Physics, 20(7): 637–645. DOI: 10.1063/1.1698449.
• Tripathy S.S., Saxena R.K., Gupta P.K., 2013. Comparison of statistical methods for outlier detection in proficiency testing data on analysis of lead in aqueous solution. American Journal of Theoretical and Applied Statistics, vol. 2(6): 233–242. DOI:10.11648/j.ajtas.20130206.21.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).