heal.abstract |
Οι ογκομετρικές (PVT) ιδιότητες των πετρελαϊκών ρευστών έχουν θεμελιώδη σημασία για
όλους σχεδόν τους υπολογισμούς που σχετίζονται με το αντικείμενο της Μηχανικής
Πετρελαίων, όπως η εκτίμηση των αποθεμάτων και της αποδοτικότητας του ταμιευτήρα.
Τα οφέλη που αποκομίζονται από τη διαρκή και ακριβή γνώση αυτής της πληροφορίας
εφαρμόζονται με στόχο τη βελτιστοποίηση του σχεδιασμού της εκμετάλλευσης και τη
μεγιστοποίηση του οφέλους.
Παραδοσιακά, η εκτίμηση των ογκομετρικών ιδιοτήτων γινόταν με τη διεξαγωγή
πειραμάτων σε PVT εργαστήρια σε δείγματα πετρελαϊκού ρευστού που συλλέγονταν
απευθείας από τον ταμιευτήρα μέσω της γεώτρησης ή σχηματίζονταν με ανασυνδυασμό
του πετρελαίου και του αερίου που παράγονται στην επιφάνεια. Πέραν των
εργαστηριακών μεθόδων για τον προσδιορισμό των ογκομετρικών ιδιοτήτων, οι
υπολογιστικές μέθοδοι που χρησιμοποιούνται ευρέως στην πετρελαϊκή βιομηχανία είναι οι
εμπειρικές μαθηματικές συσχετίσεις βασισμένες στο Μοντέλο Μαύρου Πετρελαίου -
ΜΜΠ και το Μοντέλο Καταστατικών Εξισώσεων - ΜΚΕ. Οι εργαστηριακές μέθοδοι και
το ΜΚΕ μπορούν να προσδιορίσουν με μεγάλη ακρίβεια τις ογκομετρικές ιδιότητες των
πετρελαϊκών ρευστών, έχουν όμως μεγάλο κόστος, καθώς απαιτούν την αναλυτική
σύσταση του υπό μελέτη ρευστού και απαιτούν πολύ χρόνο. Αντίθετα οι εμπειρικές
συσχετίσεις παρέχουν άμεσα εκτιμήσεις καθώς απαιτούν μόνο τη γνώση απλών
επιφανειακών ιδιοτήτων, με πολύ μικρότερη όμως ακρίβεια. Συνεπώς, η ανάπτυξη νέων
αμέσων, αποτελεσματικών και αξιόπιστων υπολογιστικών μοντέλων προσδιορισμού των
πετρελαϊκών ιδιοτήτων αποτελεί πάντα ένα θερμό πεδίο έρευνας.
Εσχάτως, αναπτύχθηκε μια νέα μέθοδος, αυτή της Υπόγειας Ανάλυσης Ρευστού – ΥΑΡ
(Downhole Fluid Analysis - DFA). Στην ΥΑΡ, το εργαλείο κατέρχεται μέσα στη γεώτρηση
και παρέχει σε πραγματικό χρόνο δεδομένα σύστασης για το ρευστό. Αν και το ακραίο ως
προς την πίεση και θερμοκρασία περιβάλλον που επικρατεί μέσα στη γεώτρηση
δυσχεραίνει την αποτελεσματικότητα των μετρήσεων, το εργαλείο ΥΑΡ ανταπεξέρχεται
ικανοποιητικά. Επομένως, δοθείσης της σύστασης του ρευστού, θα μπορούσε να
αναπτυχθεί μεθοδολογία η οποία θα αξιοποιούσε την μετρούμενη σύσταση ώστε να τη
συσχετίσει μέσω κατάλληλων υπολογιστικών μεθόδων με τις ζητούμενες PVT ιδιότητες.
Τα τελευταία χρονιά, η τεχνολογία της Τεχνητής Νοημοσύνης και ειδικότερα των
Τεχνητών Νευρωνικών Δικτύων – ΤΝΔ (Artificial Neural Network – ANN) έχει
εφαρμοστεί με μεγάλη επιτυχία σε πολυάριθμα προβλήματα που σχετίζονται με τη
Μηχανική Πετρελαίων. Τα ΤΝΔ αποτελούν ψηφιοποιημένα μοντέλα του ανθρώπινου
εγκεφάλου και χρησιμοποιούνται ως υπολογιστικά προγράμματα που σχεδιάστηκαν για να
προσομοιάζουν τον τρόπο με τον οποίο το ανθρώπινο μυαλό επεξεργάζεται την
πληροφορία. Τα ΤΝΔ εκπαιδεύονται μέσα από την εμπειρία που αποκτούν από κατάλληλα
παραδείγματα και όχι μέσα από αυστηρό προγραμματισμό. Στην περίπτωση της μεθόδου
ΥΑΡ, τα ΤΝΔ φαντάζουν ως εξαιρετικά εργαλεία για την εκτίμηση των PVT ιδιοτήτων.
Η παρούσα διπλωματική εργασία έχει ως σκοπό να ελέγξει κατά πόσο τα μοντέλα που
προκύπτουν από την υλοποίηση και εκπαίδευση ΤΝΔ για την πρόβλεψη των
ογκομετρικών ιδιοτήτων με χρήση της σύστασης που παρέχει το εργαλείο ΥΑΡ,
αποτελούν μια υψηλής ακριβείας, γρήγορη και αποτελεσματική μέθοδο εκτίμησης
πετρελαϊκών ιδιοτήτων σε σχέση με τις εναλλακτικές. Υλοποιήθηκαν τρία ΤΝΔ που
χρησιμοποίησαν ως είσοδο τη σύσταση όπως αυτή προέκυψε από το εργαλείο ΥΑΡ (σε
ομάδες των CO2, C1, C2, C3-5, C6+) για να εκτιμήσουν τις τρεις βασικότερες ιδιότητες των
πετρελαϊκών ρευστών, τη διαλυτότητα του αερίου στο πετρέλαιο (Rs), το συντελεστή
διόγκωσης του πετρελαίου (Βο) και την πίεση του σημείο φυσαλίδας (pb). Τέλος τα
αποτελέσματα που προέκυψαν από τη μέθοδο των ΤΝΔ αντιπαραβλήθηκαν με αυτά της
παραδοσιακής μεθόδου των συσχετίσεων όπου, όπως αναμενόταν, η προτεινόμενη
μέθοδος παρέχει καλύτερη ακρίβεια λόγω τόσο της πλουσιότερης πληροφορίας εισόδου
(σύσταση έναντι επιφανειακών μετρήσεων) όσο και της ευελιξίας που τα ΤΝΔ παρέχουν
συγκριτικά με τις παραδοσιακές συσχετίσεις. |
el |