Geri Dön

Artificial neural network tool development for flue gas sequestration in depleted shale oil reservoirs

Tükenmiş şeyl petrol rezervuarlarında baca gazı depolanması için yapay sinir ağı aracı geliştirilmesi

PDF İndir

  1. Tez No: 785950
  2. Yazar: YASİN BURAK BİLİM
  3. Danışmanlar: DR. ÖĞR. ÜYESİ İHSAN BURAK KULGA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Petrol ve Doğal Gaz Mühendisliği, Petroleum and Natural Gas Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Petrol ve Doğal Gaz Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 127

Özet

Toplumların enerjiye olan ihtiyacı günden güne artmaktadır. Bu ihtiyacı karşılamak için petrol ve doğal gaz kullanımı, gelişen teknoloji ile daha yaygın hale gelmiştir. Ancak bu tüketim de bazı kaygıları beraberinde getirmektedir. Fosil yakıtların çevre üzerindeki olumsuz etkileri, özellikle sera gazı (CO2, CO, N2O, H2S) salınımı, nedeniyle endişe kaynağı haline gelmiştir. Gün geçtikçe atmosferdeki karbondioksit konsantrasyonu artmaktadır. Atmosferdeki karbondioksit miktarının büyük bir bölümünü oluşturan, fabrika ve enerji santrallerinden açığa çıkan baca gazının uzun süreli depolanması, atmosferdeki sera gazlarının oranını azaltmak için umut verici yöntemlerden biridir. Bu çalışmada atmosferi negatif yönde etkileyen baca gazının uzun süreli depolanması tahmini yapan bir yapay sinir ağı (YSA) aracı geliştirilmiştir. Geliştirilen araç ile baca gazı enjeksiyon süresi ve basıncının yanı sıra yatay kuyuya sahip, hidrolik çatlatma yapılmış şeyl petrol rezervuarları için üretim tahimini de yapılabilmektedir. Bu çalışmada kullanılan rezervuar modelinin bazı temel özellikleri vardır. Bunlar; tek katmana sahip rezervuar modelinde bir adet yatay kuyu olması, üretim ve enjeksiyon performansını artırmak için uyarılmış rezervuar hacmi yaklaşımı, hidrolik çatlatmadan doğan matris ve çatlak arasındaki çift gözeneklilik – çift geçirgenlik modeli ve Langmuir adsorpsiyon izorterm formülasyonu kullanımı olarak gösterilebilir. Yatay kuyu seçilmesinin ana amacı kuyunun rezervuar ile temas eden nokta sayının artması ve dolayısıyla üretimin artmasıdır. Bilindiği üzere şeyl formasyonları düşük gözeneklilik ve düşük geçirgenliğe sahiptir. Üretim ya da enjeksiyon yapılabilmesi için hidrolik çatlatma yapılması önem taşır. Bu sebeple uyarılmış rezervuar hacmi metodu kullanılmıştır. Bu yöntemde kuyu çevresindeki hidrolik çatlatmayı modelleyebilmek için belli bir hacimde gözeneklilik ve geçirgenlik değerleri modifiye edilir. Kuyu çevresindeki çatlakların oluşturduğu yeni akış davranışlarından dolayı çift gözeneklilik – çift geçirgenlik olgusunun dikkate alınması gereklidir. Tek gözeneklilik – tek geçirgenlik modelinde akışkan depolaması ve akış sadece matrisden olur, çift gözeneklilik – tek geçirgenlik modelinde depolama matriste olurken akış çatlaklar üzerinden gerçekleşir, çift gözeneklilik – çift geçirgenlik modelinde ise akışa matris de destek verir. Adsorpsiyon, akışkan moleküllerinin belirli bir sıcaklık ve basınç altında uygun bir yüzey üzerinde toplanmasına verilen isimdir. Langmuir adsorpsiyon izotermi en yaygın olarak kullanılan formülasyonlardan biridir. Şeyl formasyonlarında karbondioksit adsorpsiyonu hidrokarbon adsorpsiyonlarından daha fazla olduğundan, enjeksiyona olacak katkıyı dahil etmek için adsorpsiyon izotermlerinin kullanılması önemlidir. İstenilen rezervuar modeli oluşturulduktan sonra rezervuar karakter özellikleri ve operasyonel parametreler için literatürden minimum ve maksimum değer aralıkları alınmıştır. Bu aralıklara göre normal dağılıma sahip, rastgele 10000 farklı model oluşturulup CMG GEM benzetimcisi ile simüle edilmiştir. CMG GEM benzetimcisi üretim ve enjeksiyonda akışkan bileşimine göre işlem yapabildiği için tercih edilmiştir. Simülasyon programları kompleks hesaplamalar yaptığı için her senaryoyu tek tek çalıştırıp sonuçları toplamak, zaman ve iş gücü açısından mantıklı olmayacağından simülasyon dosyalarının hazırlanması, simülasyon yapılması ve sonuçların toplanması aşamaları kod yazılarak otomatikleştirilmiştir. Rastgele hazırlanan senaryo değişkenleri ve elde edilen sonuçlar, girdi ve çıktı değerleri olarak yapay sinir ağı eğitiminde kullanılmıştır. Yapay sinir ağı, bir makine öğrenmesi yöntemidir. Girdi katmanı, gizli katmanlar ve çıktı katmanından oluşur. Her katmanda sayısı kullanıcı tarafından belirlenen nöronlar bulunur. Bu nöronlar birbirlerine biyolojik sinir sistemindeki nöronlar gibi bağlanarak yapay sinir ağı yapısını oluşturur. Girdi katmanına gelen veriye bir ağırlık atanır ve istenilen bir aktivasyon fonksiyonu kullanılarak işleme alınır, hesaplamalar sonucunda bir çıktı elde edilir. Bulunan çıktı ve öğretilmek istenen çıktı arasındaki fark belirli bir seviye gelene kadar bu işlem tekrar eder. Bu çalışmada aktivasyon fonksiyonu olarak hiperbolik tanjant fonksiyonu kullanılmıştır. Ayrıca, girdi ve çıktı arasındaki ilişkiyi geliştirmek için fonksiyonel bağlantılardan da yararlanılmıştır. Fonksiyonel bağlantılar girdi veya çıktı setine ilave edilen ve daha iyi tahmin yapmayı sağlayan değişkenler olarak tanımlanabilir. Kullanılan verilerden farklı bir parametre olabileceği gibi diğer parametrelerin arasındaki matematiksel ilişkilere dayanan yeni bir değişken de olabilir. Yapay sinir ağı aracı geliştirmek için Python ve MATLAB programlama ve hesaplama ortamları ve bu programlara ait kütüphaneler kullanılmıştır. Eğitim algoritması olarak Python modelinde Keras kütüphanesinin içerdiği RMSProp fonksiyonu, MATLAB modelinde ise trainscg ve learngdm fonksiyonları kullanılmıştır. Modellerin kullandığı farklı algoritmalardan doğan farkları en aza indirmek indirmek için YSA yapısı ve kullanılan veri seti aynı tutumuştur. Buna göre iki modelde de üç adet gizli katman ve bu katmanlarda sırasıyla 70, 90 ve 40 adet nöron kullanılmıştır. Nöron sayısını belirlemek için kullanılan kesin bir yöntem bulunmamaktadır. Belirli bir aralıktaki bazı nöron sayılarına göre eğitilmiş modelleri hata oranına göre kıyaslayan bir kod yazılmış, edinilen bilgiler yardımı ile nöron sayısına karar verilmiştir. Ayrıca, 39 girdi ve 73 çıktı parametresi içeren veri seti %80 eğitim, %10 doğrulama ve %10 test seti olarak üçe ayrılmıştır. Eğitim sonunda elde edilen araçlar test setleri kullanılarak test edilmiş, şeyl petrol (CH4, C2H6, C3H8, C4H10) üretim eğrileri, baca gazı (CO2 ve N2) enjeksiyon basıncı ve enjeksiyon bitiş zamanı gibi değişkenlere ait tahminlerdeki hata oranları hesaplanmıştır. Bu hata oranları Python modeli için %5.47, MATLAB modeli için %2.54 olarak bulunmuştur. Buna ek olarak, regresyon problemlerinde performans ölçümü için kullanılan R2 değeri Python aracı için 0.96022, MATLAB aracı için 0.99811 olarak hesaplanmıştır. Yapılan bu çalışmadan çıkarılan temel sonuçlar aşağıdaki gibi sıralanabilir: • Sadece ticari simülatörler ile çalışmak yerine YSA aracı desteği alarak çalışmak önemli ölçüde zaman tasarrufu sağlar. • YSA araçları, daha az hesaplama ve iş gücü kullanarak karar vermeye olanak sağlar. • Girdi ve çıktı setleri arasındaki ilişkiyi güçlendirmek için fonksiyonel bağlantı kullanımı dikkate alınmalıdır. • Veride farkı büyüklükteki parametreleri ölçeklemek doğru tahminler elde eden bir modeli eğitmek için oldukça kritiktir. • Rastgelelik, farklı sonuçlar bulmaya neden olan önemli bir faktördür. Çalışmanın kapsamı, üretim veya enjeksiyonda daha fazla bileşik ekleyerek, göreli geçirgenlik eğrileri hesaplamaları dahil edilerek ya da farklı bir makine öğrenmesi algoritması kullanılarak genişletilebilir.

Özet (Çeviri)

The energy needs of societies are increasing day by day. Oil and natural gas use have become more common with developing technology to meet this demand. However, this consumption also brings some concerns. The negative effects of fossil fuels on the environment, especially greenhouse gas (CO2, CO, N2O, H2S) emissions, have become a cause for worry. Today, the concentration of carbon dioxide in the atmosphere is increasing. Sequestration of flue gas released from factories and power plants is one of the methods used to reduce the rate of greenhouse gases in the atmosphere. In this study, an artificial neural network (ANN) tool that predicts the sequestration of flue gas has been developed. With the developed tool, production estimation can be made for hydraulically fractured shale oil reservoirs with horizontal wells in addition to the flue gas injection time and pressure. The reservoir model used in this study has some key features, such as the stimulated reservoir volume approach, the double porosity double permeability phenomenon and Langmuir adsorption isotherm formulation. After creating the desired reservoir model, minimum and maximum value ranges were taken from the literature for reservoir characteristics and operational parameters. According to these intervals, 10,000 different models with normal distribution were generated randomly and simulated with the CMG GEM simulator. Randomly generated scenario variables and obtained results from the simulation were used in artificial neural network training as input and output values. An artificial neural network, a machine learning method, consists of input, hidden, and output layers. Each layer contains artificial neurons, interconnected like neurons in the biological nervous system, forming the artificial neural network structure. A weight is assigned to the data entering the input layer and processed using an activation function, and output is acquired as a result of the calculations. This study used the hyperbolic tangent function as the activation function. In addition, functional links are used to improve the relationship between input and output. Python and MATLAB programming environments were used to develop the artificial neural network tool. As the training algorithm, the RMSProp function in the Keras library was used in the Python model, and the trainscg and learngdm functions were used in the MATLAB model. In order to minimize the differences arising from the different algorithms used by the models, the ANN structure and the data set used are the same. Accordingly, three hidden layers and 70, 90 and 40 neurons were used in these layers, respectively, in both models. In addition, the data set containing 39 input and 73 output parameters were divided into 80% training, 10% validation and 10% test set. The tools obtained at the end of the training were tested using test sets, and the error rates in the estimations of variables such as shale oil production curves, flue gas injection pressure and injection stopping time were calculated. These error rates were found to be 5.47% for the Python model and 2.54% for the MATLAB model.

Benzer Tezler

  1. Tez No

    344054

    Yapay sinir ağlarının otomatik olarak FPGA çipine uygulanması için denetleyici tasarım aracı

    A controller design tool development for automatically mapping neural networks onto FPGAs

    GÜNAY TEMÜR

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce Üniversitesi

    Elektrik Eğitimi Ana Bilim Dalı

    DOÇ. DR. İBRAHİM ŞAHİN

  2. Tez No

    880284

    Veri setine uygun otomatik yapay sinir ağı modeli geliştirme aracı

    Automatic artificial neural network model development tool for dataset

    MUHARREM ATAKAN ŞENTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTekirdağ Namık Kemal Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ RABİA KORKMAZ TAN

  3. Tez No

    259413

    Sensör ve karar entegrasyonu ile frezeleme işlemleri için çevrimiçi bir takım durum gözlem sisteminin geliştirilmesi

    An online tool condition monitoring system development for milling processes using sensor and decision integration

    BÜLENT KAYA

    Doktora

    Türkçe

    Türkçe

    2009

    Elektrik ve Elektronik MühendisliğiKocaeli Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CÜNEYT OYSU

  4. Tez No

    889815

    Kentsel atıksu arıtma tesisi veriminin yapay sinir ağı ile modellemesi: Konya ili örneği

    Modeling of urban wastewater treatment plant efficiency with artificial neural network: The case of Konya province

    ÜLKÜ SERTKAN AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Çevre MühendisliğiAksaray Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GAMZE SÖNMEZ

  5. Tez No

    832199

    Yazılım tanımlı ağlar ve nesnelerin interneti temelli akıllı şebekelerde anomali tespiti

    Anomaly detection in smart grids based on software-defined networks and the internet of things

    HİLAL YILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSA BALTA

Geri Dön