استفاده از شبکه های عصبی مصنوعی و الگوریتم ژنتیک جهت تخمین فشار نقطه حباب در یکی از مخازن نفتی جنوب غرب ایران

هدف این پژوهش، استفاده از توانایی «هوش مصنوعی» جهت تخمین خواص سیالات مخزن، نسبت به روش ­های تجربی است که از کارایی پایین تری برخوردارند. لذا پس از جمع ­آوری و سازمان­دهی داده­ های مربوط به «فشار-حجم-دما» برای ۳۶ نمونه آزمایش که در طی ۵۶ سال تولید از مخزن انجام گرفته بود، جهت پیش­بینی فشار نقطه حباب، یک بار از «شبکه عصبی مصنوعی» و بار دیگر تلفیقی از شبکه عصبی مصنوعی و «الگوریتم ژنتیک» استفاده گردید. از آنجا که «فشار نقطه ی حباب» تابعی از «وزن مخصوص گاز»، «چگالی نفت»، «دمای مخزن» و «نسبت گاز و نفت» است، لذا این مقادیر به عنوان داده­ های لایه ­ی ورودی استفاده گردید. شبکه ­ی مذکور به صورت تک خروجی طراحی و اجرا گردید. نتایج حاصل نشان می­دهند که شبکه­های عصبی نسبت به روابط تجربی که براساس داده ­های محلی خاص مناطق مختلف به دست آمده ­اند از دقت بسیار بیشتری برای تخمین خواص سیالات مخزن برخوردارند. ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک، سرعت هم گرایی و پایداری شبکه عصبی مصنوعی به مدل دقیق را افزایش می­دهد. شبکه ی عصبی مصنوعی طراحی شده، میانگین انحراف خطای حدود ۶/۱ %را نشان می دهد.