MARC details
| 000 -LEADER |
|---|
| fixed length control field |
07956namaa22004211i 4500 |
| 003 - CONTROL NUMBER IDENTIFIER |
|---|
| control field |
OSt |
| 005 - DATE AND TIME OF LATEST TRANSACTION |
|---|
| control field |
20240211192451.0 |
| 008 - FIXED-LENGTH DATA ELEMENTS--GENERAL INFORMATION |
|---|
| fixed length control field |
231116s2022 ua a|||fr|m|| 000 0 eng d |
| 040 ## - CATALOGING SOURCE |
|---|
| Original cataloging agency |
EG-GICUC |
| Language of cataloging |
eng |
| Transcribing agency |
EG-GICUC |
| Modifying agency |
EG-GICUC |
| Description conventions |
rda |
| 041 0# - LANGUAGE CODE |
|---|
| Language code of text/sound track or separate title |
eng |
| Language code of summary or abstract |
eng |
| -- |
ara |
| 049 ## - LOCAL HOLDINGS (OCLC) |
|---|
| Holding library |
Deposit |
| 082 04 - DEWEY DECIMAL CLASSIFICATION NUMBER |
|---|
| Classification number |
622.3382 |
| Edition number |
21 |
| 092 ## - LOCALLY ASSIGNED DEWEY CALL NUMBER (OCLC) |
|---|
| Classification number |
622.3382 |
| Edition number |
21 |
| 097 ## - Thesis Degree |
|---|
| Thesis Level |
M.Sc |
| 099 ## - LOCAL FREE-TEXT CALL NUMBER (OCLC) |
|---|
| Classification number |
Cai01.13.12.M.Sc.2022.Ah.D |
| 100 0# - MAIN ENTRY--PERSONAL NAME |
|---|
| Personal name |
Ahmed Sabaa Metwaly Ahmed, |
| Relator term |
preparation. |
| 245 10 - TITLE STATEMENT |
|---|
| Title |
Development of artificial neural network model to predict production rate of esp wells / |
| Statement of responsibility, etc. |
by Ahmed Sabaa Metwaly Ahmed ; under the supervision of Prof. Dr. Mohamed Helmy Sayyouh, Prof. Dr. Ahmed Hamdy El Banbi, Prof. Dr. Mahmoud Abu El Ela |
| 246 15 - VARYING FORM OF TITLE |
|---|
| Title proper/short title |
تطوير نموذج شبكة عصبية اصطناعية للتنبؤ بمعدل إنتاج الآبار المنتجة بالمضخات الغاطسة الكهربائية |
| 264 #0 - PRODUCTION, PUBLICATION, DISTRIBUTION, MANUFACTURE, AND COPYRIGHT NOTICE |
|---|
| Date of production, publication, distribution, manufacture, or copyright notice |
2022. |
| 300 ## - PHYSICAL DESCRIPTION |
|---|
| Extent |
92 pages : |
| Other physical details |
illustrations ; |
| Dimensions |
30 cm. + |
| Accompanying material |
CD. |
| 336 ## - CONTENT TYPE |
|---|
| Content type term |
text |
| Source |
rdacontent |
| 337 ## - MEDIA TYPE |
|---|
| Media type term |
Unmediated |
| Source |
rdamedia |
| 338 ## - CARRIER TYPE |
|---|
| Carrier type term |
volume |
| Source |
rdacarrier |
| 502 ## - DISSERTATION NOTE |
|---|
| Dissertation note |
Thesis (M.Sc.)-Cairo University, 2022. |
| 504 ## - BIBLIOGRAPHY, ETC. NOTE |
|---|
| Bibliography, etc. note |
Bibliography: pages 74-81. |
| 520 ## - SUMMARY, ETC. |
|---|
| Summary, etc. |
The production data is essential for the design and operation of Electrical Submersible Pumps (ESP) systems. ESPs surveillance processes are crucial as the cost impact of ESP failure is significant. The goal of this study is to develop an Artificial Neural Network (ANN) model to predict flow rates of wells artificially lifted with ESP.<br/>The ANN model was developed using 31,652 data points split randomly into 80% (25,744 data points) for training and 20% (5,625 data points) for testing. Each data set included measurements for the wellhead parameters, fluid properties, ESP downhole sensors measurements, and Variable Speed Drive (VSD) sensors parameters. The model consisted of four separate neural networks to predict oil, water, gas, and liquid flow rates. Sensitivity analysis was performed to determine the optimum number of inputs parameters that can be used in the model. The best performance was achieved with the ANN model of 16 input parameters that are readily available in the ESP wells.<br/>The results of the best ANN configuration indicate that the Mean Absolute Percent Error (MAPE) between the predicted flow rates and the actual measurements for the testing data points of the oil, water, gas, and liquid networks is about 3.7%, 5.2%, 6.4%, and 4.1%, respectively. In addition, the correlation coefficients (R2) are 0.991, 0.992, 0.983, and 0.979 for the estimated oil, water, gas, and liquid flow rates using the testing data points, respectively.<br/>The performance of the developed ANN model was compared against published physics-based models’ performance. The ANN model outperformed the physics-based methods in its ability to predict multi-phase rates without the need for periodical calibration. Then, the developed ANN model was used to predict the flow rate curves of an oil well in the Western Desert of Egypt. The results were compared to the actual separator test data. It was clear that the model results match the actual test data.<br/>The model is useful for predicting individual well production rates within a wide variety of pumping conditions and completion configurations. This should allow for continuous monitoring, optimization, and performance analysis of ESP wells, as well as quick responses to operational issues. In comparison to traditional separators and Multi-Phase Flow Meter (MPFM), the model is simple, quick, and inexpensive. |
| 520 ## - SUMMARY, ETC. |
|---|
| Summary, etc. |
تعتبر بيانات الإنتاج ضرورية لتصميم وتشغيل أنظمة المضخات الغاطسة الكهربائية. يتم تزويد هذا النوع من المضخات بمقاييس وأجهزة استشعار وذلك للمراقبة المستمرة، ولتحسين وتحليل الأداء لأن تكلفة توقف أو تلف المضخات الكهربائية كبيرة. تهدف هذه الدراسة إلى تطوير نموذج شبكة عصبية اصطناعية للتنبؤ بمعدلات تدفق الآبار المنتجة باستخدام المضخات الغاطسة الكهربائية.<br/>تم تطوير نموذج شبكة عصبية اصطناعية باستخدام 31652 نقطة بيانات مقسمة إلى 80٪ للتدريب و20٪ للاختبار. تضمنت كل مجموعة بيانات قياسات رأس البئر وخصائص السوائل وقياسات مستشعرات الأعماق للمضخات الغاطسة الكهربائية ومستشعرات المحرك متغير السرعة. يتكون النموذج من أربع شبكات عصبية منفصلة للتنبؤ بمعدلات تدفق النفط، والماء، والغاز، والسائل. تم إجراء تحليل الحساسية لتحديد العدد الأمثل للمُدخلات التي يمكن استخدامها في النموذج. تم تحقيق أفضل أداء باستخدام 16 معامل إدخال متوفرة بسهولة في آبار المضخات الغاطسة الكهربائية.<br/>تشير نتائج أفضل تكوين للشبكة إلى أن متوسط نسبة الخطأ المطلق بين معدلات التدفق المتوقعة والقياسات الفعلية لنقاط بيانات الاختبارات للشبكات العصبية للنفط والمياه والغاز والسائل حوالي 3.7٪، 5.2٪، 6.4٪ و4.1٪ على التوالي. بالإضافة إلى ذلك، معاملات الارتباط (R2) هي 0.991 و0.992 و0.983 و0.979 لمعدلات تدفق النفط والماء والغاز والسائل المقدرة باستخدام نقاط بيانات الاختبارات على التوالي أيضا.<br/>تمت مقارنة أداء النموذج المطور للشبكة العصبية الاصطناعية بأداء النماذج الفيزيائية، حيث تفوق النموذج المساق بالبيانات على الأساليب التحليلية - الفيزيائية في قدرته على التنبؤ بمعدلات تدفق السوائل متعددة الأطوار دون الحاجة إلى معايرة دورية. ومن ثم تم استخدام النموذج المطور للتنبؤ بمعدل التدفق لبئر نفطي في الصحراء الغربية المصرية، وبمقارنة النتائج مع بيانات اختبار الفاصل الفعلية، كان من الواضح أن نتائج النموذج تتطابق مع بيانات الاختبارات الفعلية.<br/>هذا النموذج مفيد للتنبؤ بمعدلات إنتاج الآبار المنتجة بالمضخات الغاطسة الكهربائية في ظروف تشغيل مختلفة. ومن شأنه أن يسمح بالمراقبة المستمرة، وتحليل ثم تحسين أداء هذه الآبار، فضلاً عن الاستجابة السريعة لمشاكل التشغيل. بالمقارنة مع فواصل النفط التقليدية ومقياس تدفق السوائل متعددة الأطوار، يعتبر النموذج المطور بسيط وسريع وغير مكلف. |
| 530 ## - ADDITIONAL PHYSICAL FORM AVAILABLE NOTE |
|---|
| Additional physical form available note |
Issues also as CD. |
| 546 ## - LANGUAGE NOTE |
|---|
| Language note |
Text in English and abstract in Arabic & English. |
| 650 #7 - SUBJECT ADDED ENTRY--TOPICAL TERM |
|---|
| Topical term or geographic name entry element |
Petroleum Engineering |
| Source of heading or term |
1 |
| 653 #0 - INDEX TERM--UNCONTROLLED |
|---|
| Uncontrolled term |
Artificial Intelligence |
| -- |
Digital Oil Fields |
| -- |
Electrical Submersible Pumps |
| -- |
Multiphase Flow |
| -- |
Neural Networks |
| 700 0# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Mohamed Helmy Sayyouh |
| Relator term |
thesis advisor. |
| 700 0# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Ahmed Hamdy El Banbi |
| Relator term |
thesis advisor. |
| 700 0# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Mahmoud Abu El Ela |
| Relator term |
thesis advisor. |
| 900 ## - EQUIVALENCE OR CROSS-REFERENCE-PERSONAL NAME [LOCAL, CANADA] |
|---|
| Numeration |
01-01-2022 |
| Titles and other words associated with a name |
Mohamed Helmy Sayyouh |
| -- |
Ahmed Hamdy El Banbi |
| -- |
Mahmoud Abu El Ela |
| Dates associated with a name |
Khaled Ahmed Abdel Fattah |
| -- |
Mohamed Ahmed Samir |
| Universities |
Cairo University |
| Faculties |
Faculty of Engineering |
| Divisons |
Department of Petroleum Engineering |
| 905 ## - LOCAL DATA ELEMENT E, LDE (RLIN) |
|---|
| Cataloger |
Eman |
| 942 ## - ADDED ENTRY ELEMENTS (KOHA) |
|---|
| Source of classification or shelving scheme |
Dewey Decimal Classification |
| Koha item type |
Thesis |
| Edition |
21 |
| Suppress in OPAC |
No |
