تخمین ضریب انبساط نفت سازندی در نقطه حباب با استفاده از مدل سازی شبکه های عصبی مصنوعی برای مخازن نفتی جنوب غرب ایران

هدف این پژوهش، استفاده از توانایی هوش مصنوعی جهت تخمین خواص سیالات مخزن با دقت بیشتر نسبت به روش های تجربه کارایی کمی دارند، بدین منظور پس از جمع آوری و سازمان دهی داده های مربوط به 36 نمونه آزمایش pvt، که در طی 56 سال تولید از مخزن انجام گرفته بود، جهت پیش بینی ضریب حجمی نفت سازندی، یکبار توسط شبکه عصبی مصنوعی و بار دیگر از تلفیقی از شبکه عصبی مصنوعی و الگوریتم ژنتیک استفاده گردید. از آنجا که b_ob تابعی از وزن مخصوص گاز، api نفت، دمای مخزن و فشار نقطه حباب می باشد، بعنوان داده های لایه ی ورودی مورد استفاده قرار گرفتند. شبکه ی مذکور بصورت تک خروجی و جداگانه طراحی و اجرا گردید. نتایج حاصل نشان می دهند که شبکه های عصبی نسبت به روابط تجربی که بر اساس داده های محلی خاص مناطق مختلف بدست آمده اند از دقت بسیار خوبی برای تخمین خواص سیالات مخزن برخوردارند. هم چنین ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک بسیار مفید بود چرا که سرعت همگرایی به مدل دقیق را بسیار بالا برد و پایداری شبکه عصبی را دو چندان نمود. شبکه عصبی مصنوعی طراحی شده دارای میانگین انحراف نسبی حدود 1% را نشان می دهد.