165

摘要：过去几十年来，随着油气需求的不断增加，石油工业投入了大量努力以开发和整合更先进的生产技术。提高采收率（EOR）被提出作为维持油藏压力和提高原油产量的有效方法。由于油藏条件的复杂性以及对案例依赖型生产历史的解释，应用气体驱、热驱和化学驱等EOR方法进行油藏数值模拟非常耗时。在文献中，可以找到一些开发的工具，用于提供油藏采收率方法的筛选标准和生产情景评估。其中一些工具是定性的，利用实验现场应用知识；另一些则基于定量模型。
克劳迪娅·帕拉达（2008）开发的基于人工神经网络（ANN）的工具为筛选和设计提高采收率方法提供了另一种途径，该工具包含四种流体类型以研究EOR过程。由于现实中存在许多具有不同物理和热力学性质的原油，EOR生产情景评估或原油性能预测可能难以获得高精度结果。本研究中，开发了四个人工神经网络分别代表四种流体类型。通过解释网络预测对原油进行分类，并通过数值模拟验证分类结果。创建了一个集成所有网络的专家系统，通过图形用户界面以可视化方式对原油进行分类。
一旦对特定原油完成分类，就可以应用帕拉达工具中代表该原油的特定流体类型的适当回收技术和充分的设计指南，并结合特定的油藏特征。因此，开发的专家系统有助于缩小合适流体类型与可行EOR工艺组合的选择范围，从而减少耗时的实验。