دانلود مقاله انگلیسی رایگان:مدل سازی مکانیکی مبتنی بر هوش مصنوعی و پیش بینی احتمالی سیلاب شیمیایی ترکیبی با شوری کم - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی هوش مصنوعی رایگان
  • AI based mechanistic modeling and probabilistic forecasting of hybrid low salinity chemical flooding AI based mechanistic modeling and probabilistic forecasting of hybrid low salinity chemical flooding
    AI based mechanistic modeling and probabilistic forecasting of hybrid low salinity chemical flooding

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    AI based mechanistic modeling and probabilistic forecasting of hybrid low salinity chemical flooding


    ترجمه فارسی عنوان مقاله:

    مدل سازی مکانیکی مبتنی بر هوش مصنوعی و پیش بینی احتمالی سیلاب شیمیایی ترکیبی با شوری کم


    منبع:

    Sciencedirect - Elsevier - Fuel, 261 (2020) 116445. doi:10.1016/j.fuel.2019.116445


    نویسنده:

    Cuong Danga,⁎, Long Nghiema, Eugene Fedutenkoa, Seyhan Emre Gorucua, Chaodong Yanga, Arash Mirzabozorga, Ngoc Nguyenb, Zhangxin Chenb


    چکیده انگلیسی:

    Over the past decades, it has been widely shown that Low Salinity Waterflooding (LSW) outperformed High Salinity Waterflooding (HSW) in terms of higher oil recovery, particularly in combining with other conventional Enhanced Oil Recovery (EOR) methods such as chemical flooding to benefit from their synergies. This paper presents a novel approach to mechanistically model Hybrid Low Salinity Chemical Flooding, with: (1) development of a hybrid EOR concept from past decades; (2) utilizing a Multilayer Neural Network (ML-NN) artificial intelligent technique in a robust Equation-of-State reservoir simulator fully coupled with geochemistry; (3) systematic validation with laboratory data; and (4) uncertainty assessment of the LSW process at the field scale. Various parameters such as polymer, surfactant, and salinity can affect on the relative permeability simultaneously during hybrid recovery processes. To overcome this problem, the ML-NN technique was applied for multidimensional interpolation of the relative permeability. Additionally, ML-NN was used within a Bayesian workflow to capture the uncertainties in both history matching and forecasting stages of LSW at field scale. The proposed model indicated good agreements with various coreflooding experiments including HSW, LSW, and Low Salinity Surfactant flooding (LSS), where it can efficiently capture the complex geochemistry, wettability alteration, microemulsion phase behavior, and the synergies occurring in these hybrid processes.
    Keywords: Low salinity waterflooding | Chemical flooding | Hybrid EOR | Artificial intelligence | Probabilistic forecasting


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 13
    حجم فایل: 11046 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi