fa کنترل تزریق گاز و دبی تولیدی میدان نفتی Rumaila با استفاده از کنترل‌کننده FOPID و شبکه عصبی تخصصي Special پژوهشي Research <div style="text-align: justify;"><span style="unicode-bidi: embed;"><span style="direction: rtl;"><font color="#000000"><b><span lang="AR-SA" style="font-size: 12pt;"><span style="line-height: 107%;"><span nazanin="" style="font-family:;">امروزه روش‌های مختلفی برای افزایش استخراج نفت در دنیا انجام می‌شود که بنابر ویژگی‌های هر مخزن نفتی، با یکدیگر متفاوت هستند. در این پژوهش از کنترل‌کننده تناسبی انتگرالی مشتقی مرتبه کسری </span></span></span></b><font size="3"><b><font face="Calibri">FOPID</font></b><b> </b></font><b><span lang="AR-SA" style="font-size: 12pt;"><span style="line-height: 107%;"><span nazanin="" style="font-family:;">و شبکه عصبی جهت تزریق گاز و کنترل دبی تولیدی میدان نفتی </span></span></span></b><font size="3"><b><font face="Calibri">Rumaila</font></b><b> </b></font><b><span lang="AR-SA" style="font-size: 12pt;"><span style="line-height: 107%;"><span nazanin="" style="font-family:;">استفاده ‌شده است. در شبکه عصبی ده ویژگی منتخب که دارای بالاترین تأثیر در میان ویژگی‌های اولیه بوده‌اند شامل حجم کلی، حداکثر فشار چاه، فشار اولیه، تراکم‌پذیری، نسبت عمق خالص به ناخالص، کسر موج برشی، نسبت تخلخل به ارتفاع، نسبت شیل به ارتفاع و نفوذپذیری، موردتوجه و استفاده قرار گرفتند. نتایج شبیه سازی شده در نرم افزار </span></span></span></b><font size="3"><b><font face="Calibri">Matlab</font></b><b> </b></font><b><span lang="AR-SA" style="font-size: 12pt;"><span style="line-height: 107%;"><span nazanin="" style="font-family:;">نشان داد شبکه عصبی </span></span></span></b><font size="3"><b><font face="Calibri">MLP</font></b><b> </b></font><b><span lang="AR-SA" style="font-size: 12pt;"><span style="line-height: 107%;"><span nazanin="" style="font-family:;">با تابع آموزش </span></span></span></b><font size="3"><b><font face="Calibri">trainbr</font></b><b> </b></font><b><span lang="AR-SA" style="font-size: 12pt;"><span style="line-height: 107%;"><span nazanin="" style="font-family:;">و تعداد نورون 10 و تعداد لایه 20 دارای دقت 91/36 درصد و شبکه عصبی </span></span></span></b><font size="3"><b><font face="Calibri">RBF</font></b><b> </b></font><b><span lang="AR-SA" style="font-size: 12pt;"><span style="line-height: 107%;"><span nazanin="" style="font-family:;">با </span></span></span></b><font size="3"><b><font face="Calibri">SPREAD</font></b><b> </b></font><b><span lang="AR-SA" style="font-size: 12pt;"><span style="line-height: 107%;"><span nazanin="" style="font-family:;">برابر با 1، تعداد نورون 26، و </span></span></span></b><font size="3"><b><font face="Calibri">DF</font></b><b> </b></font><b><span lang="AR-SA" style="font-size: 12pt;"><span style="line-height: 107%;"><span nazanin="" style="font-family:;">برابر با 25 دارای دقت 94/63 درصد در کنترل تزریق گاز و دبی تولیدی میدان می‌باشند. شبکه </span></span></span></b><font size="3"><b><font face="Calibri">MLP</font></b><b> </b></font><b><span lang="AR-SA" style="font-size: 12pt;"><span style="line-height: 107%;"><span nazanin="" style="font-family:;">با دقت 97/46 درصد و شبکه </span></span></span></b><font size="3"><b><font face="Calibri">RBF</font></b><b> </b></font><b><span lang="AR-SA" style="font-size: 12pt;"><span style="line-height: 107%;"><span nazanin="" style="font-family:;">با دقت 98/97 درصد، تزریق گاز و دبی تولیدی میدان را بهینه می‌کنند</span></span></span></b><span lang="AR-SA" nazanin="" style="font-family:;"><font size="3">.</font></span></font></span></span></div> <div style="text-align: justify;"><span style="font-size: 11pt;"><font color="#000000"><font face="Times New Roman">Today, various methods used to increase oil extraction in the world, which differ from each other according to the characteristics of each oil reservoir. In this research, FOPID control approach and neural network used in the direction of gas injection and production flow control of Rumaila oil field. In the neural network, the ten selected features that have the highest influence among the primary features include total volume, maximum well pressure, initial pressure, compressibility, pure to gross depth ratio, shear wave fraction, porosity to height ratio, shale to height ratio and permeability were noticed and used. The results by Matlab software showed that the MLP neural network with the training function trainbr and the number of neurons 10 and the number of layers 20 has an accuracy of 91.36% and the RBF neural network with SPREAD equal to 1, the number of neurons 26, and DF equal to 25 has an accuracy of 94.63% in gas injection control and They are the production discharge of the field. The MLP network with an accuracy of 97.46% and the RBF network with an accuracy of 98.97% optimize the gas injection and production flow rate of the field.</font></font></span></div> کنترل دبی, میدان نفتی, شبکه عصبی, کنترل‌کننده FOPID flow rate control, oil field, neural network, FOPID controller. 73 84 http://jeps.dezful.iau.ir/browse.php?a_code=A-10-185-4&slc_lang=fa&sid=1 Farideh Allahverdi فریده اله وردی a.allahverdi@iau.ac.ir 10031947532846003056 10031947532846003056 Yes Department of Electrical Engineering, Andimeshk Branch, Islamic Azad University, Andimeshk, Iran گروه برق، واحد اندیمشک، دانشگاه آزاد اسلامی، اندیمشک، ایران Jawad Kahdim Abduzahra Al-Dirawi جواد کاظم عبدالزهره jjjwad.77@gmail.com 10031947532846003057 10031947532846003057 No Department of Electrical Engineering, Dezful Branch, Islamic Azad University, Dezful, Iran گروه برق، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران