شرکت ملی پالایش و پخش فرآورده های نفتی ایران نشریه علمی فرآیند نو 1735-6466 20 92 2026 02 20 Prediction of Dew Point Pressure of Gas Condensates Using Machine Learning Methods پیش بینی فشار نقطه شبنم میعانات گازی با استفاده از روش های یادگیری ماشین 93 107 735612 10.22034/farayandno.2026.2070757.2015 FA حمید سنگ بر دانشجو، دانشگاه صنعتی امیر کبیر واحد ماشهر، ماهشهر، ایران محمد ملازاده احمدی استاد، دانشگاه صنعتی امیر کبیر واحد ماشهر، ماهشهر، ایران علیرضا باغبان شرکت ملی مناطق نفتخیز جنوب، اهواز، ایران Journal Article 2025 09 03 Accurate prediction of the dewpoint pressure in gas condensate reservoirs holds significant technical and economic importance, particularly in determining fluid characteristics, reservoir performance calculations, planning the development of gas condensate reservoirs, and the optimal design of production systems. In this context, artificial intelligence-based methods have emerged as innovative and effective tools in various engineering fields. Eight different models, including linear regression, Lasso regression, Ridge regression, Elastic Net, artificial neural networks, decision trees, k-nearest neighbors, and random forest, were utilized for predicting the dew point pressure. The results indicate that the random forest model outperformed the other models, achieving an average relative error of 3.3% and a correlation coefficient of 0.84. This study represents an innovation by applying artificial intelligence methods to predict dew point pressure, demonstrating that with precise analysis of gas condensate data and the use of advanced models, higher accuracy and efficiency in industrial predictions can be achieved. پیش‌بینی دقیق و به‌موقع فشار نقطه شبنم در مخازن گاز میعانی از اهمیت فنی و اقتصادی بالایی برخوردار است و به‌ویژه در تعیین ویژگی‌های سیال، محاسبات عملکرد مخزن، برنامه‌ریزی توسعه مخازن و طراحی بهینه سیستم‌های تولید نقش کلیدی ایفا می‌کند. از هشت مدل متفاوت، شامل رگرسیون خطی، رگرسیون لاسو، رگرسیون ریج، الاستیک نت، شبکه‌های عصبی مصنوعی، درخت تصمیم‌گیری، ترکیب نزدیک‌ترین همسایگی و جنگل تصادفی، برای پیش‌بینی فشار نقطه شبنم استفاده گردید. نتایج نشان می‌دهد که مدل جنگل تصادفی با میانگین درصد خطای نسبی %‌3/3 و ضریب همبستگی 0/84 بهترین عملکرد را در مقایسه با سایر مدل‌ها داشته و به‌طور موفقیت‌آمیزی از تمامی مدل‌های دیگر پیشی گرفته است. این مطالعه با استفاده از روش‌های هوش مصنوعی، نوآوری در پیش‌بینی فشار نقطه شبنم را نشان می‌دهد و تأکید می‌کند که تحلیل دقیق داده‌های میعانات گازی و مدل‌های پیشرفته، دقت و کارایی بالاتری در پیش‌بینی‌های صنعتی فراهم می‌آورد.

https://www.farayandno.ir/article_735612_ffe8b2b82e1721ca8b325ec50de4bb5f.pdf