000			07956namaa22004211i 4500
003			OSt
005			20240211192451.0
008			231116s2022 ua a|||fr|m|| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a622.3382 _221
092			_a622.3382 _221
097			_aM.Sc
099			_aCai01.13.12.M.Sc.2022.Ah.D
100	0		_aAhmed Sabaa Metwaly Ahmed, _epreparation.
245	1	0	_aDevelopment of artificial neural network model to predict production rate of esp wells / _cby 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	1	5	_aتطوير نموذج شبكة عصبية اصطناعية للتنبؤ بمعدل إنتاج الآبار المنتجة بالمضخات الغاطسة الكهربائية
264		0	_c2022.
300			_a92 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rdacontent
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc.)-Cairo University, 2022.
504			_aBibliography: pages 74-81.
520			_aThe 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. 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. 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. 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. 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			_aتعتبر 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. 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. 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. 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. 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			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		7	_aPetroleum Engineering _21
653		0	_aArtificial Intelligence _aDigital Oil Fields _aElectrical Submersible Pumps _aMultiphase Flow _aNeural Networks
700	0		_aMohamed Helmy Sayyouh _ethesis advisor.
700	0		_aAhmed Hamdy El Banbi _ethesis advisor.
700	0		_aMahmoud Abu El Ela _ethesis advisor.
900			_b01-01-2022 _cMohamed Helmy Sayyouh _cAhmed Hamdy El Banbi _cMahmoud Abu El Ela _dKhaled Ahmed Abdel Fattah _dMohamed Ahmed Samir _UCairo University _FFaculty of Engineering _DDepartment of Petroleum Engineering
905			_aEman
942			_2ddc _cTH _e21 _n0
999			_c165712 _d165712