Prediction Of Gas Condensate Pvt Properties Using Artificial Intelligence Techniques / by Ahmed Farouk Abdelnasser Ibrahim Elgeldawi ; Under the Supervision of Prof. Dr. Mohamed Helmy Sayyouh, Prof. Dr. Ahmed Hamdi El-Banbi

Thesis (M.Sc.)-Cairo University, 2023.

Bibliography: pages 129-133.

Machine learning approaches are being investigated as an alternative to the costly
(Pressure-Volume-Temperature) PVT tests and less accurate correlations for predicting
the fluid characteristics of oil and gas condensate reservoirs. In this study, four artificial
intelligence algorithms are employed to create predictive models for the fluid
characteristics of gas condensate reservoirs: ANN, RF, SVM, and ANFIS. The ANN,
RF, and SVM models were built with Python software, whereas the ANFIS model was
built with MATLAB software.
Previous research into the use of machine learning approaches in gas condensate
reservoirs has primarily focused on predicting the two-phase Z factor and the dew-point
pressure. However, the current study's developed models can predict several fluid
properties of gas condensate samples, including the single-phase Z factor, the two-
phase Z factor, the constant composition expansion liquid drop-out (fraction), the
constant volume depletion liquid drop-out (fraction), the cumulative recovery
(fraction), dew-point pressure, and CGR.
Real experimental data of various fluid samples were used to train the created models.
A database of 260 gas condensate fluid samples was compiled from various PVT
reports and prior investigations. 70% of the database was used for training, while 30%
was used for testing.
According to the results, the artificial intelligence approaches used in this study were
more accurate than existing correlations. The artificial neural networks and random
forest models clearly produced the greatest outcomes

تعتبر تطبيقات تقنيات التعلم الآلي للتنبؤ بخواص المكامن للنفط و الغاز المتكثف بديلاً للتجارب المعملية باهظة الثمن والمعادلات الأقل دقة. في هذا العمل ، يتم استخدام أربع تقنيات ذكاء اصطناعي بما في ذلك الشبكات العصبية الاصطناعية والغابة العشوائية وآلات المتجهات الداعمة وخوارزميات نظام الاستدلال العصبي الضبابي التكيفي لتطوير نماذج تنبؤية لخواص الغاز المتكثف.
ركزت الدراسات السابقة في تطبيق تقنيات التعلم الآلي في مكامن الغاز المتكثف بشكل أساسي على التنبؤ بعامل ثنائي الطور وضغط نقطة الندى فقط. ومع ذلك ، فإن النماذج المطورة في الدراسة الحالية قادرة على التنبؤ بخواص الغاز المتكثف بما في ذلك عامل أحادي الطور ، وعامل ثنائي الطور ، وتركيب السائل الناتج عن تجربة التمدد الثابت ، وتركيب السائل الناتج عن تجربة استنفاذ الحجم ، كمية الغاز المنتجة الى كمية الزيت ، ضغط نقطة الندى ونسبة الغاز المتكثف.
تم تدريب النماذج الموضوعة باستخدام بيانات تجريبية حقيقية لعينات سوائل مختلفة. تم جمع قاعدة بيانات 260 عينة سائل من الغاز المتكثف من تقارير الضغط والحرارة والحجم المختلفة والدراسات السابقة. تم استخدام 70 ٪ من قاعدة البيانات للتدريب ، واستخدم 30 ٪ من قاعدة البيانات للاختبار.
تشير النتائج إلى أن تقنيات الذكاء الاصطناعي المستخدمة في هذا البحث أثبتت أنها أكثر دقة من الارتباطات الموجودة. من الواضح أن الشبكات العصبية الاصطناعية ونماذج الغابة العشوائية حققت أفضل النتائج.

Issued also as CD

Text in English and abstract in Arabic & English.