Prediction and Optimization of WAG Flooding by Using LSTM Neural Network Model in Middle East Carbonate Reservoir

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: id:"swepub:oai:DiVA.org:kth-316263" > Prediction and Opti...

1 av 1
Föregående post
Nästa post
Till träfflistan

Huang, R. (författare)

Prediction and Optimization of WAG Flooding by Using LSTM Neural Network Model in Middle East Carbonate Reservoir

Artikel/kapitelEngelska2021

Förlag, utgivningsår, omfång ...

Society of Petroleum Engineers,2021
printrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:kth-316263
https://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-316263URI
https://doi.org/10.2118/207584-MSDOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:kon swepub-publicationtype

Anmärkningar

Part of book: 978-1-61399-834-2QC 20220819
Production prediction continues to play an increasingly significant role in reservoir development adjustment and optimization, especially in water-alternating-gas (WAG) flooding. As artificial intelligence continues to develop, data-driven machine learning method can establish a robust model based on massive data to clarify development risks and challenges, predict development dynamic characteristics in advance. This study gathers over 15 years actual data from targeted carbonate reservoir and establishes a robust Long Short-Term Memory (LSTM) neural network prediction model based on correlation analysis, data cleaning, feature variables selection, hyper-parameters optimization and model evaluation to forecast oil production, gas-oil ratio (GOR), and water cut (WC) of WAG flooding. In comparison to traditional reservoir numerical simulation (RNS), LSTM neural networks have a huge advantage in terms of computational efficiency and prediction accuracy. The calculation time of LSTM method is 864% less than reservoir numerical simulation method, while prediction error of LSTM method is 261% less than RNS method. We classify producers into three types based on the prediction results and propose optimization measures aimed at the risks and challenges they faced. Field implementation indicates promising outcome with better reservoir support, lower GOR, lower WC, and stabler oil production. This study provides a novel direction for application of artificial intelligence in WAG flooding development and optimization.

Ämnesord och genrebeteckningar

TEKNIK OCH TEKNOLOGIER Samhällsbyggnadsteknik Vattenteknik hsv//swe
ENGINEERING AND TECHNOLOGY Civil Engineering Water Engineering hsv//eng
Computational efficiency
Floods
Large dataset
Long short-term memory
Numerical methods
Numerical models
Reservoirs (water)
Risk assessment
Carbonate reservoir
Gas flooding
Gas oil ratios
Model-based OPC
Numerical simulation method
Oil-production
Optimisations
Reservoir numerical simulation
Water alternating gas
Water cuts
Forecasting

Biuppslag (personer, institutioner, konferenser, titlar ...)

Wei, C. (författare)
Li, B. (författare)
Yang, J. (författare)
Wu, S. (författare)
Xu, XinKTH,Materialvetenskap(Swepub:kth)u1w3e9c2 (författare)
Ou, Y. (författare)
Xiong, L. (författare)
Lou, Y. (författare)
Li, Z. (författare)
Deng, Y. (författare)
Zhang, C. (författare)
KTHMaterialvetenskap (creator_code:org_t)

Sammanhörande titlar

Ingår i:Society of Petroleum Engineers - Abu Dhabi International Petroleum Exhibition and Conference, ADIP 2021: Society of Petroleum Engineers

Internetlänk

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Huang, R.; Wei, C.; Li, B.; Yang, J.; Wu, S.; Xu, Xin; visa fler...; Ou, Y.; Xiong, L.; Lou, Y.; Li, Z.; Deng, Y.; Zhang, C.; visa färre...

Om ämnet

TEKNIK OCH TEKNOLOGIER: TEKNIK OCH TEKNO ...; och Samhällsbyggnads ...; och Vattenteknik

Artiklar i publikationen: Society of Petro ...

Av lärosätet: Kungliga Tekniska Högskolan

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se