Ứng dụng mạng neuron nhân tạo để tính toán sự thay đổi áp suất của dòng chảy đa pha trong môi trường liên tục

Bài viết Ứng dụng mạng neuron nhân tạo để tính toán sự thay đổi áp suất của dòng chảy đa pha trong môi trường liên tục liên quan đến nghiên cứu gần đây của chúng tôi về việc sử dụng Mạng neuron nhân tạo (ANN) để dự đoán sự sụt giảm áp suất trong các giếng đa pha. Mô hình ANN được phát triển dựa trên nhiều dữ liệu sản xuất bề mặt khác nhau bao gồm tốc độ dòng chảy của dầu, tốc độ dòng chảy của khí, tỷ lệ khí-dầu, áp suất đầu giếng, nhiệt độ đầu giếng, áp suất đáy giếng, nhiệt độ đáy giếng. | 7ạS FKt 9ậW OLệX Yj k GựQJ 7ậS Vố ỨQJ GụQJ PạQJ 1HXURQ QKkQ Wạo để WtQK WRiQ Vự thay đổL iS VXấW FủD GzQJ FKảy đa pha trong môi trườQJ OLrQ WụF 3Kạm Sơn Tùng 9 7UkP 2DQK Trường ĐạL KọF iFK NKRD ĐạL KọF 4XốF JLD 7KjQK SKố ồ amp Kt 0LQK TỪ KHOÁ TÓM TẮT ÉS suất dòng chảy đáy giếng Dự đoán chính xác về sự giảm áp suất là điều quan trọng phải có trong suốt vòng đời của giếng để thiết kế Dòng chảy đa pha ống hiệu quả hơn và hoạt động sản xuất tối ưu hơn. Triển khai đồng hồ đo áp suất là một biện pháp phổ Mạng neutron nhân tạo biến để đo áp suất dòng chảy đáy giếng FBHP . Ngoài ra một số mô hình cơ khí và mối tương quan thực nghiệm cho dòng đa pha đã được đề xuất để tránh tiêu tốn chi phí đáng kể và tốn thời gian khi can thiệp vào một giếng đang sản xuất. Tuy nhiên kết quả của các kỹ thuật dự đoán gần đây cho thấy mức độ chính xác khá thấp vì vậy phương pháp cải tiến là cần thiết để giải quyết vấn đề này. Bài báo này liên quan đến nghiên cứu gần đây của chúng tôi về việc sử dụng Mạng neuron nhân tạo ANN để dự đoán sự sụt giảm áp suất trong các giếng đa pha. Mô hình ANN được phát triển dựa trên nhiều dữ liệu sản xuất bề mặt khác nhau bao gồm tốc độ dòng chảy của dầu tốc độ dòng chảy của khí tỷ lệ khí dầu áp suất đầu giếng nhiệt độ đầu giếng áp suất đáy giếng nhiệt độ đáy giếng. Các bộ dữ liệu thu thập được từ giếng X tại mỏ Hải Thạch Mộc Tinh được thống kê sàn lọc và nhập vào các mô hình ANN. Các mô hình được đề xuất bao gồm một loạt các biến với số lượng tế bào thần kinh khác nhau của các lớp ẩn. Kết quả giữa các tập dữ liệu khác nhau là các bản ghi và so sánh thống kê với nhau để chọn lỗi ít nhất. . GGLWLRQDOO VRPH PHFKDQLF PRGHOV DQG HPSLU LFDO FRUUHODWLRQV IRU PXOWLSKDVH KDYH EHHQ SURSRVHG LQ RUGHU WR DYRLG D VLJQLILFDQW H SHQVH DQG WLPH FRQVXPLQJ RI LQWHUYHQLQJ D SURGXFLQJ ZHOO 1HYHUWKHOHVV WKH UHFHQW SUHGLFWLRQ WHFKQLTXHV SUHVHQW D ORZ OHYHO RI DFFXUDF LQ WKH UHVXOW WKH LPSURYHPHQW PHWKRG LV QHHGHG WR WDFNOH WKLV SUREOHP 7KLV SDSHU UH SRUWV RXU UHFHQW VWXG RQ WKH .

Không thể tạo bản xem trước, hãy bấm tải xuống
TỪ KHÓA LIÊN QUAN
TÀI LIỆU MỚI ĐĂNG
56    101    3    26-04-2024
Đã phát hiện trình chặn quảng cáo AdBlock
Trang web này phụ thuộc vào doanh thu từ số lần hiển thị quảng cáo để tồn tại. Vui lòng tắt trình chặn quảng cáo của bạn hoặc tạm dừng tính năng chặn quảng cáo cho trang web này.