Skip to main content
SUPERVISOR
Alireza Khazali,Mehdi Bijari
علیرضا خزعلی (استاد راهنما) مهدی بیجاری (استاد راهنما)
 
STUDENT
Niloofar Nabavi
نیلوفر نبوی

FACULTY - DEPARTMENT

دانشکده مهندسی صنایع
DEGREE
Master of Science (MSc)
YEAR
1396

TITLE

Developing a Probabilistic History Matching Method for Hydrocarbon Reservoirs using a Combination of Cross-Entropy Method and Artificial Neural Network
Through the past early years, reservoir simulation has evolved from a research area into one of the most practical and powerful tools in reservoir engineering. Usage of reservoir simulation has been grown very fast because of its ability to predict the future performance of oil and gas reservoirs over a wide range of operating conditions. Reservoir simulation is normally used as an important reservoir management tool and play a very important role for production optimization from oil and gas resources. History matching is the most challenging and critical task during the reservoir simulation study, in order to have a reliable prediction of reservoir behavior in future
در طی سال‌های گذشته، شبیه‌سازی مخزن از یک حوزه تحقیقاتی به یکی از پرکاربردترین وگسترده‌ترین ابزارهای مورد استفاده در مهندسی مخازن هیدروکربوری تبدیل شده است. استفاده از شبیه‌سازی مخزن به دلیل توانایی آن برای پیش‌بینی عملکرد آینده مخازن نفت و گاز در طیف وسیعی از شرایط عملیاتی، افزایش یافته است. شبیه‌سازی مخزن در واقع به عنوان یک ابزار مهم مدیریتی در مطالعات مخزن بکار می‌رود و برای بهینه‌سازی تولید نفت امری ضروری می‌باشد. اصلی‌ترین مسئله شبیه‌سازی مخزن، تطبیق تاریخچه است. برای در دست داشتن پیش‌بینی قابل اعتماد از عملکرد آینده مخزن، انجام تطبیق تاریخچه بر روی مدل شبیه‌سازی شده یک مخزن ضروری خواهد بود. تطبیق تاریخچه یک مسئله بهینه‌سازی است، به این معنا که سعی می‌شود اختلاف میان نتایج پیش‌بینی شده توسط شبیه‌ساز مخزن و تاریخچه واقعی تولید کمینه شود. در این پژوهش ترکیب روش الگوریتم بهینه‌سازی کراس آنتروپی و شبکه‌عصبی مصنوعی به منظور تطبیق تاریخچه مخزن هیدروکربوری به کار رفته است، که تا‌کنون در هیچ یک از مطالعات قبلی این ترکیب استفاده نشده است

ارتقاء امنیت وب با وف بومی