IPTC-17.

724-MS

Evaluasi Polymer Banjir Potensi Berdasarkan Orthogonal Desain dan BP Artificial Neural
Network

Chuanfei Wang, Geoscience Penelitian Inst, Shengli Oilfield Co SINOPEC.; Jian Hou, China University of Petroleum; Xulong Cao, dan
Guanghuan Wu, Geoscience Penelitian Inst, Shengli Oilfield Co SINOPEC.; Yanbin Wang, China University of Petroleum-Beijing

Copyright 2014, International Petroleum Technology Conference

Makalah ini disiapkan untuk presentasi di Petroleum Technology Conference Internasional yang diselenggarakan di Kuala Lumpur, Malaysia, 10-12 Desember 2014.

Makalah ini dipilih untuk presentasi oleh Komite Program IPTC review berikut informasi yang terkandung dalam abstrak yang disampaikan oleh penulis (s). Isi kertas, seperti yang disajikan, belum ditinjau
oleh Petroleum Technology Conference International dan tunduk koreksi oleh penulis (s). materi, seperti yang disajikan, tidak selalu mencerminkan posisi apapun dari International Petroleum Technology
Conference, pejabat, atau anggota. Makalah yang disajikan di IPTC tunduk ulasan publikasi oleh Masyarakat Komite Sponsor dari IPTC. reproduksi elektronik, distribusi, atau penyimpanan dari setiap
bagian dari tulisan ini untuk tujuan komersial tanpa izin tertulis dari Petroleum Technology Conference International dilarang. Izin untuk mereproduksi di cetak terbatas abstrak tidak lebih dari 300 kata;
ilustrasi tidak dapat disalin. Abstrak harus berisi pengakuan mencolok dari mana dan oleh siapa kertas disajikan. Menulis Pustakawan, IPTC, PO Box 833.836, Richardson, TX 75.083-3.836, USA, fax
1-972-952-9435

Abstrak
Makalah ini mengusulkan pendekatan baru untuk evaluasi potensi banjir polimer selama pengembangan waduk minyak, yang telah
terintegrasi desain orthogonal dan jaringan buatan BP.
Makalah ini pertama membagi unit waduk polimer banjir dievaluasi dalam empat gaya menggunakan metode
Euclidean Distance Weighted. Pada dasar unit penyortiran, kami telah menghasilkan prediksi sampel set untuk potensi
banjir polimer dengan desain orthogonal dan simulasi reservoir. Dalam rangka meningkatkan keandalan dan prediksi
kemampuan model jaringan polimer banjir, makalah ini telah menciptakan meja desain eksperimen orthogonal baru
untuk memenuhi penelitian ini. Hal ini dapat mencakup blok reservoir dievaluasi tetapi meningkatkan extendibility
jaringan dengan meningkatkan angka sampel pelatihan. Setelah itu, Enhanced Oil Recovery (EOR) dan Internal Rate of
Return (IRR) model prediksi banjir polimer dibangun menggunakan metode jaringan syaraf tiruan BP. Akhirnya,

Mengambil teknis, faktor ekonomi dan risiko ke dalam rekening, evaluasi potensi yang komprehensif dilakukan dengan model
prediksi potensi banjir polimer untuk bagian dari blok waduk di Shengli ladang minyak di Cina.

Hasil evaluasi menunjukkan bahwa model prediksi yang akurasi yang lebih tinggi dan extendibility yang lebih baik,
yang dapat memenuhi tuntutan aplikasi teknik perhitungan.

pengantar
Polimer banjir telah menjadi salah satu metode recovery utama enhanced oil untuk ladang minyak perairan pantai di Cina. Saat ini,
teknik enhanced oil recovery seperti banjir polimer dan kimia kombinasi banjir, telah banyak diterapkan di Daqing ladang minyak dan
Shengli ladang minyak di Cina dan memperoleh manfaat ekonomi dan sosial yang besar ( Chang et al., 2006 ; Sun 2006 ). Tapi sebagai
semacam metode pemulihan tersier untuk polimer banjir itu sendiri, harus ada beberapa risiko tertentu untuk implementasi bidangnya
karena
2 IPTC-17.724-MS

kondisi waduk yang rumit dan tingginya biaya bahan kimia. Namun, di bawah situasi harga minyak internasional yang tinggi, adalah
banjir polimer diterapkan secara rasional dan tepat, masih akan dapat memperoleh manfaat ekonomi yang lebih baik. Oleh karena itu,
sangat diperlukan untuk melaksanakan evaluasi potensi banjir polimer termasuk teknis, aspek ekonomi dan risiko sehingga dapat
memasok pedoman untuk aplikasi banjir polimer untuk mengurangi risiko investasi dan meningkatkan manfaat ekonomi.

Secara umum, sebelum potensial evaluasi polimer banjir, perlu untuk membangun model prediksi potensi, yang berisi
hubungan antara parameter evaluasi dan indeks evaluasi. Melalui penelitian sastra, kita dapat mengetahui bahwa ada beberapa
metode tentang enhanced oil recovery potensial prediksi termasuk metode rumus empiris ( Chang, 1978 ), Metode analisis ( Paul et
al., 1982 . 1984 ) Dan metode simulasi numerik ( Claridge, 1972 ; Patton et al., 1971 ; Bondor et al., 1972 ; Jones et al., 1984 ; Aydelotte
dan Paus, 1983 ). formula yang paling empiris yang dibangun sebagai fungsi dari parameter waduk sementara mereka sering tidak
dapat mempertimbangkan pengaruh heterogenitas dan faktor khusus lainnya untuk beberapa waduk yang pasti. Selain itu,
hasilnya tidak dapat sesuai untuk analisis ekonomi. Dibandingkan dengan metode rumus empiris, metode analisis dapat berlaku
untuk lingkup yang lebih besar dari parameter waduk dan sifat fluida. Namun metode ini membutuhkan lebih banyak konsumsi
sehingga dapat diselesaikan dengan mudah. metode simulasi numerik secara komprehensif dapat menjelaskan mekanisme
proses EOR. Luasnya presisi dari hasil prediksi sering hingga akurasi dan rasionalitas data yang menggambarkan fitur waduk dan
status injeksi.

Untuk tujuan prediksi segala macam metode EOR, Amerika Serikat Departemen Energi konsinyasi Ilmu Software Incorporation telah
diproduksi EOR prediksi model (EORPM), yang diserap kebajikan metode rumus empiris dan metode analisis yang disebutkan di atas
untuk membawa keluar metode EOR screening dan analisis ekonomi dengan model sederhana ( Brigham et al., 1980 ; Paul et al., 1982 . 1984
). Selama beberapa dekade, Hou ( Hou et al., 2004 . 2007 ) Telah mengusulkan beberapa metode baru untuk potensi prediksi EOR
berdasarkan merampingkan dan statistik teori. Merampingkan metode telah meningkatkan kecepatan komputasi. Tapi cacat adalah
bahwa hal itu perlu untuk membangun model geologi yang berbeda untuk beberapa ladang minyak tertentu dan masukan parameter
fisik-kimia yang berbeda dan parameter kinerja yang mengarah ke beban kerja komputasi besar dan lebih banyak memori komputer
pendudukan. Model metode statistik dibangun atas dasar teori dasar yang solid tetapi prinsipnya adalah terlalu rumit dan perlu sejumlah
besar sampel.

Luo (2009) membuat jarak metode tertimbang inverse maju dimodifikasi untuk potensi evaluasi polimer banjir. algoritma
dimodifikasi ditingkatkan akurasi dibandingkan dengan jarak inverse tradisional algoritma tertimbang. Namun, perhitungan
parameter terlalu rumit untuk aplikasi lapangan.
Pandey et al. (2008) penelitian laboratorium dirancang menggunakan radial inti banjir untuk mengevaluasi potensi dari kedua polimer
dan proses banjir alkali-surfaktan-polimer (ASP). Hasil penelitian menunjukkan bahwa ASP banjir adalah metode terbaik meningkatkan
recovery minyak lebih dari 30%. Khyati Rai et al. (2009) telah terlebih dahulu diturunkan kelompok berdimensi untuk banjir surfaktan-polimer
untuk mendapatkan fungsi respon pemulihan minyak melalui perhitungan spreadsheet. Tapi dua metode yang kompleks dan memakan
waktu.
Bertujuan keuntungan dan kerugian dari segala macam metode yang disebutkan di atas, makalah ini telah mengusulkan sebuah metode
evaluasi novel potensi banjir polimer berdasarkan desain orthogonal dan BP jaringan syaraf tiruan. langkah-langkah spesifik adalah sebagai
berikut.
Langkah 1: unit Reservoir menyortir banjir polimer. Menurut kriteria penyaringan untuk polimer banjir waduk, membagi
semua unit waduk polimer banjir menjadi empat gaya.
Langkah 2: Generasi sampel set prediktif. Untuk beberapa jenis polimer banjir waduk, membangun model numerik waduk. Kemudian,
pilih parameter yang memiliki banyak pengaruh pada efek pembangunan melalui mempengaruhi analisis faktor dan menentukan ruang
lingkup masing-masing nilai parameter. Dengan bantuan tabel desain orthogonal dan teknik simulasi numerik, menghasilkan polimer banjir
simulasi file data dan menyerahkan simulator untuk menjalankan untuk bekerja di luar EOR dan nilai-nilai IRR masing-masing skema untuk
sampel set potensial prediksi polimer banjir.

Langkah 3: Pembangunan EOR dan model prediksi IRR dengan BP jaringan syaraf tiruan.
IPTC-17.724-MS 3

Tabel 1-Reservoir kriteria klasifikasi banjir polimer dari Shengli ladang minyak

Langkah 4: Evaluasi Komprehensif. Melalui definisi derajat penerapan dan tingkat risiko untuk menilai penerapan
dan risiko banjir polimer, melaksanakan evaluasi menyeluruh banjir polimer termasuk aspek teknis, ekonomi dan risiko.

klasifikasi Unit Reservoir banjir polimer

Perhitungan beban kerja sangat besar potensi evaluasi polimer banjir, jadi pertama kita harus mengklasifikasikan unit
waduk yang memiliki fitur geologi dan cairan serupa. Atas dasar klasifikasi, pilih unit pengembangan representatif
sebagai model dasar untuk evaluasi potensial. Oleh karena itu, apakah klasifikasi waduk masuk akal atau tidak akan
langsung mempengaruhi keakuratan polimer banjir hasil evaluasi potensial.

metode klasifikasi
Dalam studi ini, kami telah mengadopsi metode Euclidean Distance Weighted untuk klasifikasi satuan waduk. Euclidean
Distance mewakili jarak sebenarnya dari dua titik di M dimensi ruang dan dapat diwakili oleh persamaan:

(1)

Kami telah dimaksudkan untuk menggunakan viskositas pembentukan minyak, temperatur pembentukan, pembentukan salinitas air dan
dipotong air sebelum injeksi agen polimer untuk klasifikasi satuan waduk. Karena itu, M adalah empat dan Euclidean Distance mewakili jarak
sebenarnya dari dua titik di empat dimensi ruang. Titik pertama nilai koordinat berarti waduk nilai parameter dan titik kedua nilai koordinat
berarti memilah nilai kriteria. jarak yang lebih pendek dari dua titik berarti probabilitas lebih besar dari beberapa waduk milik beberapa gaya
waduk. Dalam rangka untuk mempertimbangkan berbeda mempengaruhi efek faktor pada menyortir indeks, kami telah memperkenalkan berat
faktor yang mempengaruhi pada efek pembangunan ke Euclidean Distance dan kemudian menentukan tertimbang Euclidean Distance untuk
klasifikasi satuan waduk. The mempengaruhi berat badan faktor dapat dihitung dengan metode Analytic Hierarchy Process (AHP). Jadi
persamaan Euclidean Distance Weighted dapat ditulis sebagai:

(2)

hasil klasifikasi
Mengacu pada kriteria penyaringan waduk banjir polimer dalam Shengli ladang minyak ( Sun et al., 2002 ), Kita telah menentukan
kriteria klasifikasi reservoir banjir polimer ditampilkan sebagai Tabel 1 .
4 IPTC-17.724-MS

Tabel hasil 2-Klasifikasi untuk waduk polimer banjir di Shengli ladang minyak

gaya Reservoir jumlah Unit minyak asli di tempat (OOIP) 10 4 t Persentase,%

saya 2 1429 10,8

II 6 5144 39.0
AKU AKU AKU 3 3772 28,6
IV 2 2850 21,6
Jumlah 13 13.195 100

Menurut kriteria klasifikasi waduk banjir polimer, kami telah membagi blok polimer banjir reservoir dievaluasi dari Shengli
ladang minyak di Cina menjadi empat gaya dengan metode Euclidean Distance Weighted ditampilkan sebagai Meja 2 .

Generasi sampel prediktif set untuk potensi banjir polimer

Latar belakang meja desain orthogonal baru dibangun
Mengingat perbedaan besar antara geologi dan pengembangan faktor blok reservoir dievaluasi, tingkat lebih diadopsi untuk desain
orthogonal untuk memastikan bahwa nilai-nilai tingkat bulat-bulat dapat mencakup lingkup geologi dan pengembangan parameter setiap
objek evaluasi potensi dalam upaya untuk meningkatkan akurasi dan keandalan dari hasil evaluasi. Tapi lebih tingkat dapat dengan
mudah conduce untuk menambah tajam dari nomor tes. Sebagai contoh, jika jumlah tingkat adalah 15 dan nomor parameter desain
adalah 5, termasuk viskositas pembentukan minyak, temperatur pembentukan, pembentukan air salinitas, koefisien variasi permeabilitas
dan agen polimer waktu injeksi, total nomor tes akan tiba pada 15 5 759.375, menyebabkan terlalu banyak tes dan terlalu banyak uji
beban kerja jika semua tes dilakukan.

Dalam studi ini, kami telah dimaksudkan untuk menggunakan metode jaringan saraf BP untuk membangun model prediksi
potensi banjir polimer. BP jaringan saraf tiruan dapat menemukan informasi tersirat dari data melalui pelatihan sampel. Semakin
sampel pembelajaran, yaitu, lebih banyak akses ke informasi, semakin akurat aturan dari data yang mengakibatkan lebih dapat
diandalkan hubungan antara input dan output data. Jika sampel terlalu sedikit, pelatihan jaringan saraf akan mendapatkan lebih
sulit untuk mencapai menyebabkan kegagalan dalam mendorong aturan data. Akibatnya, tujuan masalah menetap tidak dapat
dicapai. Yakni, extendibility (kemampuan prediksi) dari pemodelan jaringan miskin. ( Han, et al., 2007 ). Oleh karena itu, untuk
menjamin akurasi hasil prediksi potensi dan meningkatkan kemampuan prediksi, perlu sampel cukup untuk membangun
keandalan model prediksi potensial. Artinya, untuk metode jaringan saraf, semakin banyak sampel pelatihan, semakin tinggi
akurasi pencocokan dan extendibility lebih baik adalah.

Mengingat dua poin di atas, tidak hanya merancang nomor tingkat percobaan cukup, seperti 5 parameter dan 15 nomor tingkat dalam
penelitian ini, tetapi juga menghasilkan sampel yang cukup, setidaknya ratusan skema sampel yang diperlukan untuk meningkatkan BP
kemampuan prediksi jaringan saraf . Oleh karena itu meja desain orthogonal baru dibuat untuk membantu menghasilkan skema sampel untuk
menjamin hasil yang lebih erat antara tes desain orthogonal dan tes secara keseluruhan.

Langkah-langkah untuk membuat tabel desain orthogonal baru

Dalam studi ini, kami telah mengajukan orthogonal metode meja desain baru untuk memenuhi permintaan penelitian. Mengintegrasikan
orthogonal meja desain L 18 ( 3 7) dan saya 50 ( 5 11) ditunjukkan pada tabel 3 dan tabel 4 , Kami telah menciptakan meja desain orthogonal L 900 ( 15
5) dan dapat melakukan 900 tes dengan 5 faktor dan 15 angka tingkat. Dalam tabel desain orthogonal, No. 1, 2, 3,. . . berarti nomor tes,
huruf A, B, C,. . . berarti faktor dan berbeda Gambar 1 , 2, 3,. . . berarti jumlah tingkat. langkah konkret adalah sebagai berikut ( Gambar. 1 ).
Langkah 1: Untuk desain orthogonal meja L 18 ( 3 7), angka tingkat 1, 2, 3 ditandai secara terpisah sebagai berikut: 1 ¡{ 1, 2, 3, 4, 5}, 2 ¡{ 6, 7, 8,
9, 10}, 3 ¡{ 11, 12, 13, 14, 15}.
IPTC-17.724-MS 5

Tabel 3-Orthogonal meja desain L 18 ( 3 7)

Tidak. SEBUAH B C D E F G

1 1 1 1 1 1 1 1
2 1 2 2 2 2 2 2
3 1 3 3 3 3 3 3
4 2 1 1 2 2 3 3
5 2 2 2 3 3 1 1
6 2 3 3 1 1 2 2
7 3 1 2 1 3 2 3
8 3 2 3 2 1 3 1
9 3 3 1 3 2 1 2
10 1 1 3 3 2 2 1
11 1 2 1 1 3 3 2
12 1 3 2 2 1 1 3
13 2 1 2 3 1 3 2
14 2 2 3 1 2 1 3
15 2 3 1 2 3 2 1
16 3 1 3 2 3 1 2
17 3 2 1 3 1 2 3
18 3 3 2 1 2 3 1

Tabel 4-Bagian dari desain orthogonal meja L 50 ( 5 11)

Tidak. SEBUAH B C D E F G H saya J K

1 1 1 2 4 3 2 5 4 3 1 4
2 1 2 5 5 5 4 3 3 1 2 5
3 1 3 4 1 4 1 4 2 4 3 1
4 1 4 1 3 1 3 2 1 2 5 2
5 1 5 3 2 2 5 1 5 5 4 3
6 2 1 3 3 4 4 5 3 4 5 3
7 2 2 2 2 1 1 3 2 2 4 3
8 2 3 5 4 2 3 4 1 5 1 3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42 4 2 5 2 3 5 4 4 4 5 3
43 4 3 4 4 5 2 2 3 2 4 3
44 4 4 1 5 4 4 1 2 5 1 3
45 4 5 3 1 1 1 5 1 3 2 3
46 5 1 3 5 5 5 4 1 2 3 3
47 5 2 2 1 4 2 2 5 5 5 3
48 5 3 5 3 1 4 1 4 3 4 3
49 5 4 4 2 2 1 5 3 1 1 3
50 5 5 1 4 3 3 3 2 4 2 3

Langkah 2: Sesuai jumlah tingkat L 18 ( 3 7) untuk orang-orang dari L 50 ( 5 11) satu per satu sesuai dengan faktor yang sama. Karena
melibatkan dengan hanya 5 faktor dalam penelitian ini, sesuai kolom adalah kolom A,
B, C, D dan E.
Langkah 3: Ambil Nomor 251 ke Tidak 300 L 900 ( 15 5) misalnya untuk memperkenalkan metode ini. Menjaga No.6 uji L 18 ( 3 7) konstan,
sesuai nomor tingkat dari kolom A ke kolom E dari No.6 tes untuk setiap tes dari L 50 ( 5 11). Jika jumlah tingkat L 18 ( 3 7) adalah 1, sosok baru
terus konstan dan itu masih angka dari L 50 ( 5 11). Kemudian, jika jumlah tingkat L 18 ( 3 7) adalah 2, maka angka-angka baru diperoleh dengan
menambahkan 5 berdasarkan angka-angka dari L 50 ( 5 11) untuk menjadi salah satu tokoh 6, 7, 8, 9, 10. Dengan cara yang sama, jika jumlah
tingkat L 18 ( 3 7) adalah 3, maka angka-angka baru diperoleh dengan menambahkan 10 berdasarkan angka-angka dari
6 IPTC-17.724-MS

Gambar 1-Langkah untuk desain baru orthogonal meja L 900 ( 5 15) penciptaan

Tabel 5-Bagian dari baru dibangun desain orthogonal meja L 900 ( 5 15)

Tidak. SEBUAH B C D E

1 1 1 2 4 3
2 1 2 5 5 5
3 1 3 4 1 4
4 1 4 1 3 1
5 1 5 3 2 2
. . . . . . . . . . . . . . . . . .
451 1 1 12 14 8
452 1 2 15 15 10
453 1 3 14 11 9
454 1 4 11 13 6
455 1 5 13 12 7
. . . . . . . . . . . . . . . . . .
896 15 11 8 5 10
897 15 12 7 1 9
898 15 13 10 3 6
899 15 14 9 2 7
900 15 15 6 4 8
IPTC-17.724-MS 7

Tabel nilai-nilai level 6-Factor desain orthogonal

Data Tabel 7-Fundamental dari reservoir model simulasi

parameter Nilai parameter Nilai

OOIP, 10 4 t 165,0 Rata-rata porositas,% 33

volume pori, 10 4 m 3 280,5 Pembentukan viskositas minyak, MPa · s 46.3
permeabilitas udara, 10- 3 m 2 1500-2500 temperatur pembentukan, ° C 70
koefisien variasi permeabilitas 0,54 Pembentukan salinitas air, mg / L 3850
saturasi minyak awal,% 68 solusi awal GOR, m 3 / t 30
membayar bersih, m 16.1 tekanan awal, MPa 12.0
tekanan bubble, MPa 10.5 mendalam Reservoir 1190,0

L 50 ( 5 11) untuk menjadi salah satu tokoh 11, 12, 13, 14, 15. Dengan cara ini, melalui sosok mengubah, lima puluh angka tingkat L 50 ( 5 11) diubah
menjadi No 251 ke No 300 L 900 ( 15 5) seperti yang ditunjukkan pada Gambar. 1 . Langkah 4: Ada delapan belas tes L 18 ( 3 7) dan setiap
transformasi dapat membuat lima puluh nomor ujian meja desain orthogonal baru. Akhirnya, baru orthogonal tabel L 900 ( 15 5) dengan 15
angka tingkat, 5 faktor dan 900 nomor tes dapat dibuat sesuai dengan Langkah 3. Berikut bagian dari baru dibangun orthogonal meja L 900
( 15 5) terdaftar karena terlalu banyak nomor tes seperti yang ditunjukkan tabel 5 .
8 IPTC-17.724-MS

Gambar model 2-Simulasi ZhongYiQu NG3 percontohan

Gambar 3-BP peta struktur jaringan

Penentuan nilai tingkat faktor dan generasi sampel set prediktif

Penentuan nilai tingkat faktor

Mengacu pada karakteristik geologi waduk dan sifat fluida blok polimer banjir waduk dievaluasi dari Shengli ladang
minyak di Cina, kami telah menentukan rentang nilai tingkat faktor desain orthogonal, yang dapat mencakup dalam
parameter blok dievaluasi untuk perhitungan interpolasi selama proses jaringan syaraf prediksi untuk meningkatkan
keakuratan hasil potensial. tabel 6
mewakili nilai-nilai tingkat faktor.
Generasi sampel set prediktif
Sebuah model simulasi numerik didirikan berdasarkan ZhongYiQu NG3 blok reservoir Shengli ladang minyak di Cina. Blok
waduk yang dipilih adalah perwakilan. Artinya, kondisi geologi dan pengembangan pada dasarnya dapat berdiri untuk
status blok khas.
Nilai parameter utama model ditunjukkan pada tabel 7 . Dalam rangka untuk menggambarkan lapisan berirama
heterogenitas, model memiliki 11 lapisan ritmis dan jenis jaringan adalah kotak persegi panjang dengan rata-rata grid 50 meter dan
dengan 14 grid ke arah X dan 30 grid arah Y ditampilkan di Gambar. 2 . Pola baik
IPTC-17.724-MS 9

Tabel statistik 8-Kesalahan model prediksi BP jaringan saraf untuk banjir polimer

IRR

EOR 40 $ / bbl 60 $ / bbl 80 $ / bbl

Sesuai Data Sesuai Data Sesuai Data Sesuai Data

indeks data pengujian data pengujian data pengujian data pengujian

Kesalahan Maksimum 2,3129 4,4013 10,4008 9,1274 5,2117 5,2037 4,6270 8,0617
relatif % Minimum 0,0003 0,0052 0,0012 0,0194 0,0003 0,0095 0,0037 0,0033
rata-rata 0,4693 0,8561 1,1917 2,2354 0,9274 1,4091 0,9002 1,4892

terbalik lima tempat dan ruang injeksi-produksi dengan baik adalah 150 meter. Ada 13 sumur benar-benar termasuk empat sumur injeksi
dan sembilan sumur produksi. Data kinerja dari daerah simulasi dimulai dengan Oktober tahun 1971 dan berakhir dengan April tahun
2012. Produksi dan data injeksi didasarkan pada blok yang dipilih di ladang minyak shengli dan kemudian dikonversi untuk sama-sama
berkontribusi masing-masing dengan baik. Kinerja injeksi air kumulatif dihitung menurut volume pori yang sebenarnya sumur injeksi
kumulatif dan produksi cairan kumulatif dihitung sesuai dengan persentase perolehan minyak dari minyak asli di tempat (OOIP). Oleh
karena itu, kinerja injeksi-sumur produksi dapat mewakili status pembangunan secara keseluruhan dari blok yang dipilih.

Atas dasar pencocokan sejarah, mengintegrasikan baru dibangun desain orthogonal meja L 900 ( 15 5) dan program Visual Basic, kami telah
menulis serangkaian program yang dapat menghasilkan 900 file simulasi data dan mengirimkan ke reservoir simulator numerik untuk
menjalankan semua file data dengan simulator waduk. Setelah menyelesaikan simulasi, kami bekerja di luar nilai EOR dan nilai IRR di bawah 40
$ / bbl, 60 $ / bbl & 80 $ / bbl harga minyak untuk setiap skema melalui perangkat lunak yang dikembangkan sendiri yang dapat membaca file
output dari setiap skema. Pada akhirnya, set sampel prediksi EOR dan IRR untuk potensi banjir polimer yang dihasilkan secara terpisah.

Pembangunan model prediktif untuk potensi banjir polimer

Penentuan input dan output dari model neural
Dalam studi ini, kami menetapkan faktor-faktor yang mempengaruhi utama yang berisi viskositas pembentukan minyak, temperatur
pembentukan, pembentukan air salinitas, koefisien variasi permeabilitas dan agen polimer waktu injeksi (cut air sebelum injeksi agen
polimer) yang mempengaruhi potensi dari EOR sebagai input dari buatan sistem jaringan saraf, di mana 5 node disertakan. Pada saat
yang sama, dua node dirancang termasuk nilai EOR dan nilai IRR sebagai output dari sistem.

Input dan output data pra-pengolahan

Sebelum pelatihan, untuk memastikan konvergensi selama pelatihan jaringan, kita biasanya menormalkan variabel input dengan menggunakan
persamaan berikut karena satuan yang berbeda dari input dan output data:

(3)

Divisi Data sampel

Kami memiliki data sampel dibagi menjadi dua bagian. Salah satunya adalah pencocokan sampel dan yang lainnya sedang menguji sampel.
Pencocokan sampel yang digunakan untuk pelatihan untuk jaringan saraf dan pengujian sampel untuk validasi dari model jaringan. Dalam
penelitian ini, dari 900 sampel set, menghapus 49 gagal sampel karena kegagalan konvergensi simulasi numerik, 50 sampel yang dipilih secara
acak dari 851 sampel yang tersisa untuk membentuk penilaian yang ditetapkan untuk menguji extrapolability model prediktif, sedangkan sisanya
801 sampel digunakan sebagai pencocokan set untuk membangun model prediksi melalui BP pelatihan jaringan syaraf.

desain struktur model neural

Selama node tersembunyi cukup, jaringan saraf dengan satu lapisan tersembunyi bisa mendekati ke fungsi non linear yang sangat
kompleks ( Zhang, 1995 ). Dalam studi ini, kami telah merancang tiga lapisan untuk model,
10 IPTC-17.724-MS

Gambar 4-Hubungan antara nilai-nilai dihitung dan nilai-nilai yang sebenarnya dari EOR untuk banjir polimer

Gambar 5-Hubungan antara nilai-nilai dihitung dan nilai-nilai yang sebenarnya dari IRR banjir polimer (harga minyak dari 40 $ / bbl)

termasuk lapisan input, lapisan tersembunyi dan lapisan output seperti yang ditunjukkan pada Gambar. 3 . Node tersembunyi adalah 20 dan fungsi aktivasi
fungsi SIGMOD diberikan oleh

(4)

Penyesuaian dan optimasi bobot

algoritma propagasi mundur dari aturan belajar diadopsi. learning rate 0,9 dan jangka momentum adalah
0,9.

Pembatasan untuk saraf berhenti pelatihan Model

Iterasi maksimum pelatihan adalah 5000 dan kesalahan iterasi adalah 0,001. Setiap kondisi keterbatasan dapat mengontrol berhenti pelatihan.

analisis kesalahan
Setelah membangun model jaringan, secara terpisah menghitung kesalahan maksimum relatif, kesalahan relatif minimum dan rata-rata
kesalahan relatif untuk pencocokan data dan data pengujian. Terutama, analisis kesalahan data pengujian dapat membantu kita menilai
model jaringan dibangun untuk mendeteksi kehandalan dan menentukan apakah model bisa memuaskan aplikasi rekayasa atau tidak.
Hasil analisis kesalahan ditunjukkan pada tabel 8 .

Kesalahan antara nilai-nilai yang sebenarnya dan nilai-nilai prediksi BP jaringan saraf untuk EOR dan IRR tersebut diberikan di Gambar. 4 . Gambar. 5 . Gambar.
6 dan Gambar. 7 masing-masing. Kita bisa melihat bahwa cocok titik data yang dekat ke diagonal menunjukkan akurasi pencocokan tinggi. Pencocokan rata
kesalahan relatif berada dalam kisaran 2,0% seperti yang ditunjukkan
IPTC-17.724-MS 11

Gambar 6-Hubungan antara nilai-nilai dihitung dan nilai-nilai yang sebenarnya dari IRR banjir polimer (harga minyak dari 60 $ / bbl)

Gambar 7-Hubungan antara nilai-nilai dihitung dan nilai-nilai yang sebenarnya dari IRR banjir polimer (harga minyak dari 80 $ / bbl)

di tabel 8 . Sementara itu, akurasi pengujian titik data juga relatif lebih baik dan rata-rata kesalahan relatif juga dalam kisaran
2,0% seperti yang ditunjukkan pada tabel 8 . Hal ini menunjukkan bahwa model prediksi memiliki extendibility lebih baik
melalui 801 pelatihan sampel pencocokan banjir polimer dan hasil prediksi yang handal untuk dapat memenuhi permintaan
aplikasi teknik perhitungan. Hal ini jelas bahwa ketika jumlah input dan output parameter dari model jaringan yang sangat
besar, sampel pelatihan yang cukup mungkin mengatasi masalah bencana dimensi untuk meningkatkan keandalan BP
model prediksi jaringan syaraf.

evaluasi menyeluruh dari potensi banjir polimer

Untuk banjir polimer sebagai jenis teknik enhanced oil recovery, investasi dan risiko yang sangat tinggi. Untuk tujuan mengurangi
risiko investasi dan meningkatkan manfaat ekonomi, perlu untuk menilai metode ini apakah itu berlaku untuk enhanced oil recovery
atau tidak. Dalam studi ini, kita telah mendefinisikan dua konsep baru dari tingkat penerapan dan tingkat risiko untuk menilai kondisi
waduk untuk banjir polimer dan risiko implementasi.

Definisi tingkat penerapan

Gelar penerapan (AD) didefinisikan sebagai jumlah tertimbang EOR dan nilai IRR untuk banjir polimer dan formula diberikan
sebagai:
(5)
12 IPTC-17.724-MS

Hasil Tabel 9-Evaluasi potensi banjir polimer dalam Shengli ladang minyak

Incremental
cadangan IRR IRR IRR
nama OOIP EOR% dipulihkan 10 4 ($ ($ ($ AD (40 $ AD (60 $ AD (80 $ /
Gaya blok 10 4 t t 40)% 60)% 80)% / bbl) / bbl) bbl) RD

saya SEBUAH 255 8.74 22,3 51,07 68,6 85,97 0.80 0.61 0.56 0,255
B 1174 10.04 117,9 57,14 80,62 108,17 0.97 0.81 0.88 0,312
Jumlah 1429 9.39 140,2 54,11 74,61 97,07 0.89 0,71 0.72 0,283
II C 1078 8.21 88,5 58,83 95,77 117,91 0.93 0.93 0.93 0,329
D 1533 7.71 118,2 54,36 89,43 113,52 0.82 0,83 0.85 0,347
E 880 5.98 52,6 33,85 55,85 81,49 0,37 0.34 0,39 0,418
F 165 6.84 11.3 36,54 58,74 75,1 0,45 0,41 0,35 0.341
G 1039 6.13 63,7 37,84 59,36 83,83 0,45 0,39 0,43 0,381
H 449 6.37 28,6 28,51 45,18 54,97 0,28 0.22 0,08 0,312
Jumlah 5144 6.87 362,9 41,66 67,39 87,80 0,55 0,52 0,50 0,355
AKU AKU AKU saya 920 4.16 38.3 21,72 53,63 78,63 0,07 0,24 0,28 0,556
J 664 3,43 22,8 27,06 55,82 80.2 0,14 0,24 0,27 0,489
K 2188 2,53 55,4 21,59 39,58 60,67 0.00 0.00 0.00 0,482
Jumlah 3772 3.37 116,4 23,46 49,68 73,17 0,07 0,16 0,18 0,509
IV L 1104 2,62 28,9 21,39 42,38 61,35 0.00 0,03 0.01 0,479
M 1746 3.15 55,0 23,45 48,15 70,44 0,06 0,13 0,14 0,496

rata-rata Jumlah 2850 2,89 83,9 22,42 45,27 65,90 0,03 0,08 0,07 0,488
13.195 5.63 703,4 35.41 59,24 80,98 0,38 0,37 0,37 0,409

(6)

(7)

Untuk beberapa jenis waduk, kita dapat bekerja di luar tingkat penerapan dengan rumus di atas. nilai derajat penerapan berada
dalam kisaran 0 sampai 1.0. Jika itu lebih dekat ke 1,0, itu berarti bahwa efek dari banjir polimer lebih baik dan jika tidak lebih buruk.
Dalam studi ini, kita membuat R 0,3 dan IRR 0,7.

Definisi tingkat resiko

Gelar risiko (RD) didefinisikan sebagai rasio IRR varians dengan rata-rata nilai IRR dalam berbagai harga minyak yang berbeda, yang mewakili pengaruh
tingkat harga minyak pada IRR. Semakin tinggi tingkat risiko, semakin besar perbedaan IRR berada di bawah harga minyak yang berbeda. Artinya, variasi
yang lebih besar mempengaruhi harga minyak pada nilai IRR berarti risiko investasi yang lebih tinggi dan sebaliknya. Rumus tingkat risiko diterjemahkan
sebagai:

(8)

Hasil evaluasi menyeluruh

Berdasarkan pembangunan model prediksi potensi banjir polimer, kami telah melakukan evaluasi komprehensif potensi
banjir polimer untuk 13 blok di Shengli ladang minyak di Cina. Sementara itu, tingkat penerapan dan tingkat risiko banjir
polimer bekerja masing-masing. Hasil evaluasi polimer banjir waduk ditunjukkan pada tabel 9 . Dari hasil, kita bisa keluar
bahwa gaya I, II dan III gaya waduk berlaku untuk banjir polimer.

kesimpulan
● Sebuah metode evaluasi baru untuk banjir polimer telah ditetapkan. Metode ini mengintegrasikan
desain orthogonal dan metode jaringan saraf BP dan telah
IPTC-17.724-MS 13

bersaksi bahwa itu adalah sederhana dan novel dengan kepraktisan yang kuat dan hasil evaluasi dapat dipercaya.

● Baru dibangun desain meja L 900 ( 15 5) dapat melakukan 900 tes dengan 5 faktor dan 15 nomor tingkat
untuk sepenuhnya memenuhi penelitian ini. Banyak sampel set dan nomor tingkat menjamin
pencocokan dan prediksi akurasi dari model jaringan sehingga meningkatkan keandalan dan akurasi
yang dapat memenuhi permintaan aplikasi teknik perhitungan.

● potensial evaluasi menyeluruh, mengambil teknis, faktor ekonomi dan risiko ke dalam rekening,
dilakukan dengan model prediksi potensi banjir polimer untuk bagian dari waduk polimer banjir di
Shengli ladang minyak di Cina. Hasil evaluasi yang handal dapat menyediakan bimbingan teknis
untuk implementasi polimer banjir.

Ucapan Terima Kasih

Para penulis sangat berterima kasih atas dukungan keuangan dari Science & Teknologi Nasional Proyek Spesifik Penting
Cina (Grant No. 2011ZX05011-004), Yayasan Ilmu Pengetahuan Alam untuk Young Scholars Distinguished Provinsi
Shandong, Cina (Grant No. JQ201115), yang Program untuk New Century Bakat yang sangat baik di University (Grant No.
NCET-11-0734), dan Program untuk Changjiang Scholars dan Tim Riset Inovatif di University (Grant No. IRT1294).

Tata nama
IKLAN Gelar penerapan;
d jarak dari dua titik dalam metode Jarak Euclidean;
f (u) fungsi aktivasi;
s salinitas air formasi;
S sta pemilahan nilai kriteria salinitas air formasi;
g air memotong sebelum injeksi agen polimer;
g sta pemilahan nilai kriteria cut air sebelum injeksi agen polimer;
IRR Internal Rate of Return;
IRR * normalisasi Internal Rate of Return;
IRR max nilai maksimum dari Internal Rate of Return banjir polimer di semua blok dievaluasi;
IRR min nilai minimum dari Internal Rate of Return banjir polimer di semua blok dievaluasi; nilai IRR rata-rata dalam
berbagai harga minyak yang berbeda;
M dimensi Euclidean Distance;
n jumlah nilai IRR harga minyak yang berbeda;
RD Gelar risiko;
EOR Peningkatan Pemulihan Minyak;
EOR * normalisasi Ditingkatkan minyak pemulihan;
EOR min nilai minimum enhanced oil recovery banjir polimer di semua blok dievaluasi;
EOR max nilai maksimum dari enhanced oil recovery banjir polimer di semua blok dievaluasi;
T temperatur pembentukan;
T sta
pemilahan nilai kriteria suhu pembentukan;
x= Nilai normal;
x nilai asli;
x min nilai minimum asli;
x nilai maksimum asli;
14 IPTC-17.724-MS

y i1, y i2 i th dimensi koordinat nilai titik pertama dan titik kedua di Euclidean Distance.

Yunani

berat viskositas minyak pembentukan di Tertimbang Euclidean Distance;

T
berat temperatur pembentukan di Tertimbang Euclidean Distance;
s
berat salinitas air formasi di Tertimbang Euclidean Distance;
g
berat air dipotong sebelum injeksi agen polimer dalam tertimbang Euclidean Distance; viskositas minyak
pembentukan;

sta pemilahan nilai kriteria viskositas minyak pembentukan;

EOR berat enhanced oil recovery;

IRR berat internal rate of return.

Referensi
Aydelotte, SR, & Paus, GA (1983). Sebuah model prediktif disederhanakan untuk kinerja steamdrive. J.
Membelai. tech, 35, 991-1002.
Bonder, PL, Hirasaki, GJ, & Tham, MJ (1972). simulasi matematika banjir polimer di
waduk yang kompleks. Soc. Membelai. Eng. J, 28, 369-382.
Brigham, KAMI, Satman, A., & Soliman, MY (1980). korelasi pemulihan untuk pembakaran in-situ
proyek lapangan dan aplikasi untuk pilot pembakaran. SPE 7130, California Regional Meeting, San Francisco, April 12-14.

Chang, HL, Zhang, ZQ, Wang, QM, et al (2006). Kemajuan dalam banjir polimer dan basa /
proses surfaktan / polimer yang dikembangkan dan diterapkan di Republik Rakyat Cina. JPT, 2,
84-89.
Chang, HL (1978). Polimer banjir teknologi-kemarin, hari ini, dan besok. J. Pet. tech, 78,
1113-1128.
Claridge, EL (1972). Prediksi pemulihan banjir bercampur tidak stabil. Soc. Membelai. Eng. J, 19,
143-155.
Han, LQ (2007). Teori, desain dan aplikasi jaringan syaraf tiruan. Beijing: Kimia
Industri Press.
Hou, J., Yue, YX, Wang, CJ, et al (2004). prediksi potensi enhanced oil recovery berdasarkan
teori belajar statistik. Jurnal Universitas Cina minyak bumi, 28, 67-70. Hou, J., Zhang SK (2007). Sebuah model berbasis
merampingkan untuk prediksi potensi minyak ditingkatkan
pemulihan. SPE 105.246, 15 SPE Timur Tengah Minyak & Gas Show dan Konferensi, Bahrain, Kerajaan Bahrain,
11-14 Maret.
Jones, Jr, RS, Paus, GA, et al (1984). Sebuah model prediktif untuk air dan polimer banjir. SPE
12.653, SPE / DOE 4 Simposium Enhanced Oil Recovery, Tulsa, April: 15-18.
Khyati, R., Russell TJ, Larry, WL et al (2009). prediksi minyak-recovery untuk polimer surfaktan
banjir. SPE 124.001, Konferensi Tahunan Teknis dan Pameran, Orieans Baru, Louisiana, Amerika Serikat, 4-07 Oktober.

Luo, FQ, Hou, J., & Zhao, H. (2009). Sebuah metode prediksi potensi baru untuk EOR. Xinjiang
Minyak Geologi, 30, 384-386.
Pandey, A., Beliveau, D., Suresh, Kumar, M., et al (2008). Evaluasi potensi banjir kimia untuk
bidang Mangala, Rajasthan, India-laboratorium desain eksperimen dan hasil. SPE 12.636, International Petroleum
Technology Conference, Kuala Lumpur, Malaysia, 3-05 Desember. Patton, JT, Coats, KH, & Colegrove, GE (1971).
Prediksi kinerja polimer banjir. Soc.
Membelai. Eng. J, 10, 72-84.
IPTC-17.724-MS 15

Paul, GW Lake, LW, & Gould, TL (1984). Sebuah model prediktif disederhanakan untuk larut CO2
banjir. SPE 13.238, Tahunan Konferensi Teknis ke-59 dan Pameran, Houston, Texas, September 16-19.

Paul, GW, Danau, LW, Paus, GA et al (1982). Sebuah model prediktif disederhanakan untuk misel-polimer
banjir. SPE 10.733, California Regional Meeting of Society of Petroleum Engineers, San Francisco, CA, 24-26
Maret.
Sun, HQ (2006). Praktek dan pemahaman pada pemulihan tersier di Shengli Oilfield. minyak tanah
Eksplorasi dan Pengembangan, 33, 262-266.
Sun, HQ, Zhang, YG, Cao, XL (2002). Teknologi banjir polimer. Dongying: Universitas
Minyak Tekan.
Zhang, LM (1995). Buatan model jaringan saraf dan aplikasi. Shanghai: Universitas Fudan
Tekan.