مرکز منطقه ای اطلاع رسانی علوم و فناوری مجله زمین شناسی نفت ایران 2251-8738 14 27 2025 3 10 Performance of carbon dioxide injection in drained tanks using neural network algorithms عملکرد تزریق دی اکسیدکربن در مخازن تخلیه شده با بکارگیری الگوریتم های شبکه عصبی 19 37 fa پویا اسحقی صنعتی شریف کیوان شایسته محقق اردبیلی محمد جواد خانی گروه مهندسی شیمی دانشکده فنی و مهندسی دانشگاه محقق اردبیلی- اردبیل- ایران 2024 11 9 Injecting carbon dioxide (CO₂) in oil reservoirs is an effective way to increase oil recovery and CO₂ storage. In this study, an artificial neural network (ANN) was used to predict oil recovery and CO₂ storage capacity in depleted reservoirs (ROZ) with respect to geological and well operation uncertainties. Field data from the Smeaheia region, Norway, including 14 key features for optimizing CO₂ injection were identified. Two neural network models, MLP and RBF, were used in this research and their accuracy was evaluated as 91.36% and 94.63%, respectively. In order to optimize the features and reduce the dimensions of the data, the gray wolf algorithm was used, which led to the selection of 10 effective features. These properties included permeability, well pressure, pore volume, compressibility, and porosity-to-height ratio. The optimized models increased the prediction accuracy of CO₂ injection in the MLP model to 97.46% and in the RBF model to 98.97%. These results show that the combination of ANN and optimal feature selection can be a powerful tool for predicting and managing CO₂ injection in oil reservoirs. تزریق دی&zwnj;اکسید کربن (CO₂) در مخازن نفتی، روشی مؤثر برای افزایش برداشت نفت و ذخیره&zwnj;سازی CO₂ است. در این مطالعه، از شبکه عصبی مصنوعی (ANN) برای پیش&zwnj;بینی میزان بازیابی نفت و ظرفیت ذخیره&zwnj;سازی CO₂ در مخازن تخلیه&zwnj;شده (ROZ) با توجه به عدم قطعیت&zwnj;های زمین&zwnj;شناسی و عملیات چاه استفاده شد. داده&zwnj;های میدانی منطقه Smeaheia، نروژ، شامل ۱۴ ویژگی کلیدی برای بهینه&zwnj;سازی تزریق CO₂ شناسایی گردید. دو مدل شبکه عصبی MLP و RBF در این پژوهش بکار گرفته شد و دقت آنها به&zwnj;ترتیب ۹۱٫۳۶٪ و ۹۴٫۶۳٪ ارزیابی شد. به منظور بهینه&zwnj;سازی ویژگی&zwnj;ها و کاهش ابعاد داده&zwnj;ها، الگوریتم گرگ خاکستری استفاده شد که به انتخاب ۱۰ ویژگی مؤثر انجامید. این ویژگی&zwnj;ها شامل نفوذپذیری، فشار چاه، حجم منافذ، تراکم&zwnj;پذیری، و نسبت تخلخل به ارتفاع بودند. مدل&zwnj;های بهینه&zwnj;سازی&zwnj;شده دقت پیش&zwnj;بینی تزریق CO₂ را در مدل MLP به ۹۷٫۴۶٪ و در مدل RBF به ۹۸٫۹۷٪ افزایش دادند. این نتایج نشان می&zwnj;دهد که ترکیب ANN و انتخاب ویژگی بهینه، می&zwnj;تواند به&zwnj;عنوان ابزاری قدرتمند برای پیش&zwnj;بینی و مدیریت تزریق CO₂ در مخازن نفتی باشد.

http://journal.ispg.ir/en/Article/Download/48540