Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Nafta-Gaz

1 2024

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: flow rate prediction

Sortuj według:

Ogranicz wyniki do:

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

Vu Hong Duong, Nguyen Tien Hung, Nguyen Ming Hoa

Nafta-Gaz

2024

R. 80, nr 7

408--417

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.

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.