نشریه علمی فرآیند نو

نشریه علمی فرآیند نو

پیش بینی فشار نقطه شبنم میعانات گازی با استفاده از روش های یادگیری ماشین

نوع مقاله : کاربردی

نویسندگان
حمید سنگ بر 1
محمد ملازاده احمدی 2
علیرضا باغبان 3
1 دانشجو، دانشگاه صنعتی امیر کبیر واحد ماشهر، ماهشهر، ایران
2 استاد، دانشگاه صنعتی امیر کبیر واحد ماشهر، ماهشهر، ایران
3 شرکت ملی مناطق نفتخیز جنوب، اهواز، ایران
10.22034/farayandno.2026.2070757.2015
چکیده
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 84/0 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.
کلیدواژه‌ها
میعانات گازی
داده کاوی
فشار نقطه شبنم
مدل های هوش مصنوعی

موضوعات

عنوان مقاله English

Prediction of Dew Point Pressure of Gas Condensates Using Machine Learning Methods

نویسندگان English

Hamid Sangbor 1
Mohammad Molazadeh Ahmadi 2
Alireza Baghban 3
1 Student, Amirkabir University of Technology, Mahshahr campus, Mahshahr, Iran
2 Professor, Amirkabir University of Technology, Mahshahr campus, Mahshahr, Iran
3 National Iranian Soth Oilfeilds Company (NISOC), Ahvaz, Iran
چکیده English

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.

کلیدواژه‌ها English

Gas Condensates
Data Mining
Dew Point Pressure
Artificial Intelligence Models
[1]      Daneshfar R, Keivanimehr F, Mohammadi-Khanaposhtani M, Baghban A. A neural computing strategy to estimate dew-point pressure of gas condensate reservoirs. Pet Sci Technol; 38:706–12, 2020.
[2]      Al-Dhamen M, Al-Marhoun M. New correlations for dew-point pressure for gas condensate. SPE Saudi Arab. Sect. young Prof. Tech. Symp., pp. SPE-155410, 2011.
[3]      Humoud AA, Al-Marhoun MA. A new correlation for gas-condensate dewpoint pressure prediction. SPE Middle East Oil gas show Conf., pp. SPE-68230, 2001.
[4]      Elsharkawy AM. Characterization of the plus fraction and prediction of the dewpoint pressure for gas condensate reservoirs. SPE West. Reg. Meet., pp. SPE-68776, 2001.
[5]      González A, Barrufet MA, Startzman R. Improved neural-network model predicts dewpoint pressure of retrograde gases. J Pet Sci Eng; 37:183–94, 2003.
[6]      Jalali F, Abdy Y, Akbari MK. Using artificial neural network’s capability for estimation of gas condensate reservoir’s dew point pressure. Eur. Conf. Exhib. London, UK, Soc. Pet. Eng., pp. 10, 2007.
[7]      Godwin ON. A new analytical method for predicting dew point pressures for gas condensate reservoirs. SPE Niger. Annu. Int. Conf. Exhib., pp. SPE-162985, 2012.
[8]      Alzahabi A, El-Banbi A, Alexandre Trindade A, Soliman M. A regression model for estimation of dew point pressure from down-hole fluid analyzer data. J Pet Explor Prod Technol; 7:1173–83, 2017.
[9]      Hassan R, Baghban A. Predicting CO2 adsorption in KOH-activated biochar using advanced machine learning techniques. Sci Rep; 15:24410, 2025.
[10]    Hassan R, Baghban A. Pioneering machine learning techniques to estimate thermal conductivity of carbon-based phase change materials: A comprehensive modeling framework. Case Stud Therm Eng; 73:106648, 2025.
[11]    Hassan R, Baghban A. Beyond the surface: Quasi-SMILES machine learning approaches for precise estimation of organic sorption. Mater Today Commun: 114126, 2025.
[12]    Soleimani R, Kouchi MM, Behtouei Z, Ghasemi Z, Baghban A. Exploring the solubility potential of anti-cancer and supportive agents in supercritical CO2 through advanced computational intelligence techniques. J CO2 Util; 102:103227, 2025.
[13]    Mirzaie M, Esfandyari H, Tatar A. Dew point pressure of gas condensates, modeling and a comprehensive review on literature data. J Pet Sci Eng; 211:110072, 2022.
[14]    Fang Y, Li B, Hu Y, Sun Z, Zhu Y. Condensate gas phase behavior and development. SPE Int. Oil Gas Conf. Exhib. China, pp. SPE-50925, 1998.
[15]    Shokir EME-M. Dewpoint pressure model for gas condensate reservoirs based on genetic programming. SPE Unconv. Resour. Conf. Technol. Symp., , pp. SPE-114454, 2008.
[16]    Nowroozi S, Ranjbar M, Hashemipour H, Schaffie M. Development of a neural fuzzy system for advanced prediction of dew point pressure in gas condensate reservoirs. Fuel Process Technol;90:452–7, 2009.
[17]    Arabloo M, Shokrollahi A, Gharagheizi F, Mohammadi AH. Toward a predictive model for estimating dew point pressure in gas condensate systems. Fuel Process Technol;116:317–24, 2013.