A New Methodology for Prediction of Bottomhole Flowing Pressure in Vertical Multiphase Flow in Iranian Oil Fields Using Artificial Neural Networks (ANNs)
Notice bibliographique
Résumé
Abstract In this paper, Artificial Neural Networks (ANN) are used to predict the bottom-hole flowing pressure in vertical multiphase flow. Two-phase flow of gas and liquids is commonly encountered in the production and transportation of oil and gas. Knowing the bottom-hole pressure (BHP) of a well and the productivity index (PI or J) can help predict the well potential during its life-cycle. In other words, well production monitoring can be performed, which is a key objective for oil production maximization and operational cost reduction. Different correlations considering different operating conditions and flow models were studied in order to find the most effective input parameters. ANN accuracy is highly dependent on the validity of the input and output data. After gathering the input and output data from selected southern Iranian oil fields, all the data were filtered with the help of existing models to eliminate the unreliable data. Then, 167 data sets were normalized and carefully imported into the ANN models. Different ANN models with different numbers of hidden layers and transfer functions were developed and tested, and the best one with the least error was chosen. The accuracy of the pressure predicted by the developed ANN model was improved by approximately five times as compared with existing correlations. To show the accuracy of the method, the results are compared with those obtained from the existing correlations. Accurate prediction of pressure drop in vertical multiphase flow is needed for effective design of tubing and optimum production strategies. Different kinds of two-phase flow correlations have been developed and are currently being used in industry. In addition to the limitations on the applicability of all existing correlations, they all fail to predict the desired accuracy of pressure drop predictions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».