Improving Acidizing Fluid Selection in Oil Production: A Comprehensive Analysis with Expert Systems

Document Type : Original Article

Authors
Mohammad Norouzi Delaviz 1
Ahmad Rigi 1
Saman Jahanbakhshi 2
1 M.Sc. of Petroleum Engineering, Abdal Industrial Projects Management Co., MAPSA Technology Center, Tehran, Iran
2 Assistant Professor, School of Mining Engineering, College of Engineering, University of Tehran, Tehran, Iran
20.1001.1/jgt.2024.2022791.1035
Abstract
Matrix acidizing plays an important role in improving oil recovery by decreasing reservoir damage. However, the complexity of selecting the most suitable acidizing fluid, given diverse reservoir conditions, poses a significant challenge. This article explores the utilization of expert systems in improving the acidizing fluid selection process. By examining the role, components, and merits of expert systems, along with real-world case studies, the article highlights how these systems contribute to more efficient and informed decision-making. In this investigation, eight instances of damage have been selected for analysis using the proposed expert system. Following a thorough assessment, selecting a fluid for damage elimination, demonstrates the effectiveness of the expert system. The incorporation of expert systems in modeling and inference under conditions of high uncertainty and precision plays a key role in increasing productivity, declining errors, predicting events, and refining decision-making processes. These systems utilize advanced algorithms and mathematical models for simulation and predicting implications across various applications, thereby aiding in expedited decision-making.

Keywords

Subjects

Article Title Persian

استفاده از تجزیه و تحلیل جامع سیستم‌های خبره برای بهبود انتخاب سیال اسیدکاری در تولید نفت

Authors Persian

محمد نوروزی دلاویز 1
احمد ریگی 1
سامان جهانبخشی 2
1 کارشناس ارشد مهندسی نفت، شرکت مدیریت پروژه‌های صنعتی ابدال، مرکز فناوری مپصا، تهران، ایران
2 استادیار، دانشکده مهندسی معدن، دانشکدگان فنی، دانشگاه تهران، تهران، ایران
Abstract Persian

اسیدکاری چاه نقش مهمی در بهبود بازیابی نفت از طریق کاهش آسیب‌های مخزن ایفا می‌کند. با این حال، پیچیدگی انتخاب مناسب‌ترین سیال اسیدکاری، با توجه به شرایط مختلف مخزن، چالش قابل توجهی را ایجاد می‌کند. این مقاله بررسی می‌کند که چگونه استفاده از سیستم‌های خبره در بهبود فرآیند انتخاب سیال اسیدکاری موثر است. با مرور اثر، اجزا و مزایای سیستم‌های خبره، همراه با مطالعات موردی، مقاله نشان می‌دهد که چگونه این سیستم‌ به تصمیم‌گیری موثرتر و اطلاعاتی بیشتر کمک می‌کند. در این بررسی، هشت نمونه از آسیب‌ها برای تجزیه و تحلیل با استفاده از سیستم خبره انتخاب شده است. پس از ارزیابی دقیق، یک سیال برای از بین بردن آسیب انتخاب شده است که کارایی سیستم خبره را نشان می‌دهد. ترکیب سیستم‌های خبره در مدل‌سازی و استنتاج تحت شرایط عدم قطعیت و دقت بالا، نقش اساسی در افزایش بهره‌وری، کاهش خطاها، پیش‌بینی رویدادها و اصلاح فرآیندهای تصمیم‌گیری دارد. این سیستم‌ها از الگوریتم‌ها و مدل‌های ریاضی پیشرفته برای مدل‌سازی و پیش‌بینی رویدادها در انواع مختلف برنامه‌ها استفاده می‌کنند، که باعث کمک به تصمیم‌گیری بهینه و سریع می‌شود.

Keywords Persian

اسیدکاری خمیره
انتخاب سیال اسیدکاری
آسیب سازند
سیستم‌های خبره
بهبود تولید نفت
  1. Abdulmutalibov, T., Y. Shmoncheva and G. Jabbarova (2023). Advancements in Applications of Machine Learning for Formation Damage Predictions. SPE Annual Caspian Technical Conference, SPE.
  2. Alvarez, J., X. Alarcon and J. Tellez (2023). Implementing a Novel Organic Acid Matrix Stimulation to Successfully Remove Formation Damage: Case Studies, Iraq and Ecuador Oilfields. SPE Middle East Oil and Gas Show and Conference, SPE.
  3. Blackburn, C., J. Abel and R. Day (1990). "An expert system to design and evaluate matrix acidizing." SPE Computer Applications 2(06): 15-17.
  4. Chavanne, C. and H. Perthuis (1992). A fluid selection expert system for matrix treatments. SPE Europec featured at EAGE Conference and Exhibition?, SPE.
  5. Chiu, T.-J., E. Caudell and F.-L. Wu (1993). "Development of an expert system to assist with complex fluid design." SPE Computer Applications 5(01): 18-20.
  6. Dargi, M., E. Khamehchi and J. Mahdavi Kalatehno (2023). "Optimizing acidizing design and effectiveness assessment with machine learning for predicting post-acidizing permeability." Scientific Reports 13(1): 11851.
  7. Domelon, M., W. Ford and T. Chiu (1992). An expert system for matrix acidizing treatment design. Paper No. SPE 24779. 67th SPE Annual Technical Conference and Exhibition, Washington, DC, October.
  8. McLeod, H. O. (1984). "Matrix acidizing." Journal of Petroleum Technology 36(12): 2055-2069.
  9. Mouedden, N., A. Laalam, M. Rabiei, A. Merzoug, H. Ouadi, A. Boualam, S. Djezzar and M. Mahmoud (2022). A Screening Methodology Using Fuzzy Logic to Improve the Well Stimulation Candidate Selection. ARMA US Rock Mechanics/Geomechanics Symposium, ARMA.
  10. Nguyen, M. C., M. Dejam, M. Fazelalavi, Y. Zhang, G. W. Gay, D. W. Bowen, L. H. Spangler, W. Zaluski and P. H. Stauffer (2021). "Skin factor and potential formation damage from chemical and mechanical processes in a naturally fractured carbonate aquifer with implications to CO2 sequestration." International Journal of Greenhouse Gas Control 108: 103326.
  11. Novikov, V. A., D. A. Martyushev, Y. Li and Y. Yang (2022). "A new approach for the demonstration of acidizing parameters of carbonates: experimental and field studies." Journal of Petroleum Science and Engineering 213: 110363.
  12. Santos, S., A. Salazar Munive, E. Hernandez Del Angel, O. Villaseñor, J. L. Guzman Almazo, D. Hernandez Vulpes, A. M. Beuterbaugh, E. A. Reyes, S. Squires and K. Campos (2022). Acidizing Treatment Design Assessment Based on Dolomitic Field Core Testing. SPE International Conference and Exhibition on Formation Damage Control, SPE.
  13. Sidaoui, Z., A. Abdulraheem and M. Abbad (2018). Prediction of optimum injection rate for carbonate acidizing using machine learning. SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition, OnePetro.
  14. Sumotarto, U. (1995). Sandstone acidizing simulation: development of an expert system, The University of Texas at Austin.
  15. Xue, H., P. L. Liu, N. Y. Li, Z. F. Luo and L. Q. Zhao (2012). "Expert System for Acidizing Based on BP Neural Network." Advanced Materials Research 548: 438-443.
Journal of Gas Technology
Volume 9, Issue 1 - Serial Number 12
September 2024
Pages 19-33