CC BY
23АВТОМАТИЗАЦИЯ
УДК 004.032.26+665.61
Ф. Хадавимогаддам1, e-mail: hadavimoghaddam.f@gubkin.ru; И.С. Чебышев2; И.В. Чапанова3; Ю Хао4
1 Федеральное государственное автономное образовательное учреждение высшего образования «Российский государственный университет нефти и газа (Национальный исследовательский университет) имени И.М. Губкина» (Москва, Россия).
2 ООО «Газпромнефть НТЦ» (Санкт-Петербург, Россия).
3 Сколковский институт науки и технологий (Москва, Россия).
4 CNOOC Petrochemical Engineering (Гонконг, Китай).
Новый подход к оценке вязкости сырой нефти на основе метода машинного обучения
В статье рассмотрены возможности прогностической оценки вязкости нефти с помощью искусственного интеллекта. Для анализа вязкости ненасыщенных, насыщенных и дегазированных нефтей различных месторождений были применены методы искусственной нейронной сети и опорных векторов. Набор исходных данных включал 300 лабораторных измерений образцов нефти, был получен с месторождений всего мира. 75 % экспериментальных данных были использованы для испытания предложенных моделей искусственной нейронной сети, в то время как оставшиеся 25 % были задействованы при тестировании модели на производительность (качество).
Результат исследования продемонстрировал превосходство моделей машинного обучения над существующими моделями оценки вязкости нефти по данным термодинамических исследований. Сравнительные результаты демонстрируют высокую точность моделей, созданных с помощью искусственной нейронной сети, по сравнению с другими методиками машинного обучения.
Кроме того, установлено, что предложенная методика прогностической оценки вязкости нефти позволяет осуществлять моделирование при наличии минимума исходных данных. При этом расчет производится с помощью простейших функций, что расширяет возможности применения методики.
В то же время отмечено, что если для расчета вязкости ненасыщенной нефти было собрано достаточное количество данных, то база данных для прогнозирования вязкости насыщенной и дегазированной нефти нуждается в расширении.
Ключевые слова: нефть, вязкость, метод машинного обучения, нейронная сеть, метод опорных векторов, давление, объем, температура.
F. Hadavimogaddam1, e-mail: hadavimoghaddam.f@gubkin.ru; I.S. Chebyshev2; I.V. Chapanova3; Yu Hao4
1 Federal State Autonomous Educational Institution for Higher Education "Gubkin Russian State University of Oil and Gas (National Research University)" (Moscow, Russia).
2 Gazprom Neft's Science and Technology Center (Gazpromneft STC) LLC (Saint-Petersburg, Russia).
3 Skolkovo Institute of Science and Technology (Moscow, Russia).
4 CNOOC Petrochemical Engineering (Hong Kong, China)
A New Approach to Estimating Crude Oil Viscosity Based on Machine Learning Method
The article discusses the possibilities of predictive assessment of oil viscosity using artificial intelligence. To analyze the viscosity of unsaturated, saturated and degassed oils from various fields, methods of an artificial neural network and support vectors were applied. The baseline data set included 300 laboratory measurements of oil samples, was obtained from fields around the world. 75 % of the experimental data were used to test the proposed artificial neural network models, while the remaining 25 % were used to test the model for performance (quality).
The result of the study demonstrated the superiority of machine learning models over existing models for assessing oil viscosity based on thermodynamic research data. Comparative results demonstrate the high accuracy of models created using an artificial neural network compared to other machine learning techniques.
AUTOMATION
In addition, it was found that the proposed method for predicting oil viscosity allows modeling with a minimum of initial data. In this case, the calculation is performed using the simplest functions, which expands the possibilities of applying the technique.
At the same time, it was noted that if enough data were collected to calculate the viscosity of unsaturated oil, then the database for predicting the viscosity of saturated and degassed oil needs to be expanded.
Keywords: oil, viscosity, machine learning method, neural network, support vector machine, pressure, volume, temperature
Вязкость сырой нефти является важным параметром, характеризующим течение флюида как в пористой среде, так и в трубопроводах, и определяется как внутреннее сопротивление потоку жидкости. Особую значимость данный параметр приобретает при расчетах, обусловливающих выбор метода извлечения нефти, в т. ч. при истощении месторождения - как естественном, так и вследствие использования таких методов добычи, как заводнение или закачка газа, а также при моделировании течения нефти в целях проектирования трубопроводов.
Сырая нефть представляет собой смесь углеводородов, обладающих различными термодинамическими свойствами, следовательно, ее вязкость в основном зависит от трех физических параметров, а именно от давления,температуры и состава, а также от количества газа, растворенного в нефти [1-4]. Изменения давления и температуры могут привести к высвобождению низкомолекулярных компонентов газа из жидкой фазы в равновесном состоянии. Давление, при котором появляется первый пузырь газа, называется давлением насыщения Рнас, МПа. При снижении давления ниже Рнас газ начинает выделяться из нефти. Нефть, из которой выделился растворенный в ней газ, называется дегазированной.
Поскольку вязкость пластового флюида зависит не только от свойств жидкости, но и от количества газа в растворе, вязкость сырой нефти можно условно разделить на вязкость при давлении выше давления насыщения и вязкость при давлении ниже давления насыщения [5].
Сырая нефть, находящаяся под давлением выше давления насыщения, называется недонасыщенной, ее вязкость увеличивается с ростом давления, что обусловлено повышением плотности нефти при ее сжатии. Нефть под давлением ниже давления насыщения называется насыщенной: для таких образцов свойственно увеличение вязкости с уменьшением давления. Это обусловлено потерей более легких компонентов, что приводит к увеличению плотности нефти при снижении давления [5].
Как правило, вязкость измеряют в лаборатории, исследуя забойный образец при пластовом давлении и температурных условиях. Экспериментальное определение вязкости при всех вариантах температуры иногда экономически невыгодно ввиду того, что это требует значительных материальных и временных затрат. В таких случаях проводится моделирование, по результатам которого можно определить вязкость нефти без проведения экспериментального исследования.
К числу основных методов моделирования в целях определения вязкости нефти относятся:
• эмпирическое корреляционное моделирование;
• метод уравнений состояния;
• методы искусственного интеллекта. Особенностям прогностического определения вязкости сырой нефти посвящено множество работ, к примеру [622]. Рассмотренные в данных работах можно разделить на две категории: модели, разработанные для тяжелой и сверхтяжелой нефти (плотность по шкале Американского института
нефти API < 20) и для средней и легкой нефти (API » 20). К примеру, корреляции [16] и [20] были проведены для первой группы нефтей: в 1998 г. автор работы [16] использовал значения вязкости для создания корреляции вязкости дегазированной нефти, а автор работы [20] в 2005 г. предложил эмпирическую корреляцию для дегазированной нефти, применимую для тяжелых нефтей с плотностью 10-22,3 API. Примерами корреляций, предложенных для прогнозирования вязкости средних и легких нефтей, являются работы [7, 8, 12, 13, 15, 17, 21, 22]. В табл. 1 приведены исходные сведения о диапазонах, использованные авторами перечисленных работ для проведения корреляционного моделирования.
Однако большинство опубликованных работ было основано на данных конкретных месторождений, а потому полученные результаты не могут быть экстраполированы для прогнозирования вязкости, поскольку свойства образцов в каждом исследовании индивидуальны. Кроме того, большая часть корреляций базировалась на ограниченном количестве параметров и их значений.
ЦЕЛИ И МЕТОДЫ ИССЛЕДОВАНИЯ
Основными целями исследования, результаты которого представлены в данной статье, являлись:
1) формирование и анализ большой базы данных о вязкости нефти с различных месторождений;
2) разработка надежной и точной универсальной модели для прогнозирования вязкости нефти в ситуации с наличием ограниченного числа данных;
Ссылка для цитирования (for citation):
Хадавимогаддам Ф., Чебышев И.С., Чапанова И.В., Хао Ю. Новый подход к оценке вязкости сырой нефти на основе метода машинного обучения // Территория «НЕФТЕГАЗ». 2020. № 9-10. С. 12-18.
Hadavimogaddam F., Chebyshev I.S., Chapanova I.V., Hao Yu. A New Approach to Estimating Crude Oil Viscosity Based on Machine Learning Method. Territorija "NEFTEGAS" [Oil and Gas Territory]. 2020;(9-10):12-18. (In Russ.)
TERRITORIJA NEFTEGAS - OIL AND GAS TERRITORY No. 9-10 October 2020
13
АВТОМАТИЗАЦИЯ
Таблица 1. Исходные данные, использованные авторами ряда работ, для прогнозирования вязкости сырой нефти Table 1. Input data used by the authors of a number of works to predict the viscosity of crude oil
Источник Source Регион источника данных Data source region Температурный диапазон T, °C Temperature range T, °C Плотность по шкале Американского института нефти API American Petroleum Institute (API) gravity
Beals 1946 [6] США USA 36,6-121,1 10-52
Beggs and Robinson (1975) [7] - 21,1-146,1 16-58
Glaso (1980) [8] Северное море North Sea 10,0-148,8 20-48
Kaye (1985) [9] Калифорнийский шельф Offshore California 61,6-138,8 7-41
Al-Khafaji et al (1987) [10] - 15,5-148,8 15-51
Petrosky (1990) [15] Мексиканский залив Gulf of Mexico 45,5-142,2 25-46
Egbogah and Ng (1990) [11] - 15,0-80,0 5-58
Labedi (1992) [12-13] Ливия Libya 37,7-152,2 32-48
Kartoamtmodjo and Schmidt (1994) [14] Весь мир Worldwide 26,6-160,0 14-59
Bennison (1998) [16] Северное море North Sea 3,8-148,8 11-20
Elsharkawy and Alikhan (1999) [17] Ближний Восток Middle East 37,7-148,8 20-48
Dindoruk and Christman (2004) [24] Мексиканский залив Gulf of Mexico - 17,4-40
Hossain et al (2005) [20] Весь мир Worldwide 0-101,6 7-22
Naseri et al (2005) [21] Иран Iran 40,5-147,7 17-44
Alomair et al (2011) [25] Кувейт Kuwait 20,0-160,0 10-20
Hemmati et al (2013) [22] Иран Iran 10,0-143,3 17-44
El-Hoshoudy et al (2013) [23] Египет Egypt - 21-52
Таблица 2. Статистический анализ данных [6-14], использованных в рамках исследования Table 2. Statistical analysis of data [6-14] used in the study
Параметр Parameter Значение Value Среднеквадратичное отклонение Standard deviation
Минимальное Minimal Максимальное Maximal
Температура T, °C Temperature T, °C 27 172 11,61
Плотность нефти p, кг/м3 Density of oil p, kg/m3 754,26 1027,99 985,03
Давление насыщения P , МПа Saturation pressure P , MPa 0,74 45,6 11,198
Газонасыщенность G0, м3/м3 Gas saturation G0, m3/m3 1,534 587,52 104,66
Вязкость насыщенной нефти |н, Па.с Viscosity of saturated oil |н, Pa.s 0,0001 0,2959 0,1479
Вязкость дегазированной нефти | , Па.с Viscosity of degassed oil | , Pa.s 0,0005 1,3869 0,6932
AUTOMATION
Скрытый слой Hidden layer
Входной слой Input layer
Газонасыщенность G^ м3/м3 Gas saturation G^ m3/m3
Давление насыщения Рнас, МПа Saturation pressure Рнас, MPa Плотность нефти ри, кг/м3 Oil density рн, kg/m3 Температура Т, °С Temperature Т, °С
Выходной слой Output layer
Вязкость дегазированной нефти |андГ Па-с Viscosity
of degassed oil pnd, Pa-s
Для 1-й группы вязкость рассчитывалась как функция следующих параметров:
или
(1)
(2)
Вязкость для 2-й группы определялась как функция
Рис. 1. Пример схемы нейронной сети для вязкости дегазированной нефти Fig. 1. An example of a neural network diagram for the viscosity of degassed oil
3) сравнение результатов, полученных с помощью двух методов машинного обучения.
В рамках исследования для моделирования вязкости нефти был использован новый метод мягких вычислений, использующий, в частности, методы искусственной нейронной сети (англ. artificial neural networks - ANN) и опорных векторов (англ. support vector machine - SVM).
Для достижения первой из обозначенных целей были собраны данные PVT-отчетов (от англ. pressure - давление, volume - объем, temperature - температура), полученных в ходе термодинамических исследований, проводившихся в разное время на различных месторождениях [6-14]. Собранная база включает в себя более 300 данных (точек для моделирования), в т. ч. такие параметры, как:
• температура T, °C;
• давление насыщения Рнас, МПа;
• плотность нефти рн, кг/м3;
• вязкость нефти - насыщенной рн, ненасыщенной, цна, дегазированной цн , Па.с;
• газонасыщенность Go, м3/м3.
В табл. 2 приведены результаты статистического анализа данных, использованных в рамках настоящего исследования. Стоит отметить, что для тестирования предложенных моделей было использовано 75 % собранных экспериментальных данных.
И„=/(Ph-ivO или
M.„=/(ivG„).
(3)
(4)
(5)
В соответствии с существующими корреляциями для определения вязкости нефти данные были разбиты на три группы: 1-я группа - ненасыщенная нефть, 2-я группа - насыщенная нефть и 3-я группа - дегазированная нефть.
Наконец, для 3-й группы вязкость рассчитывалась по формулам:
и™ =/(Р„Л
и„»=Др„.ГА)
(6) (7)
Таблица 3. Результаты прогнозирования вязкости ненасыщенной, насыщенной и дегазированной нефти методами искусственной нейронной сети (ANN) и опорных векторов (SVM) Table 3. Results of predicting the viscosity of unsaturated, saturated and degassed oil using artificial neural network (ANN) and support vectors (SVM) methods
Исходные данные Input data Коэффициент детерминации R2 Determination factor R2
ANN SVM
Ненасыщенная нефть Unsaturated oil
P, M , P ' " н' нас 0,97 0,96
M , P, и , P n нд' ' "н' нас 0,99 0,97
Насыщенная нефть Saturated oil
Рн, Рг, T G0 0,99 0,97
p, M , P •н' г нд' нас 0,98 0,95
Мнд, G0 0,97 0,94
Дегазированная нефть Degassed oil
^ T 0,97 0,92
^ T G0 0,97 0,93
P , T, G„, P гн' ' 0' нас 0,97 0,95
Примечание: P - давление, МПа; Рнас - давление насыщения, МПа; |н, | - вязкость насыщенной и дегазированной нефти соответственно, Па.с; рн, рг - плотность нефти и газа соответственно, кг/м3; T - температура, °C; G0 - газонасыщенность, м3/м3
Note: P - pressure, MPa; Рнас - saturation pressure, MPa; |н, | - viscosity of saturated and degassed oil, respectively, Pa.s; рн, рг - density of oil and gas, respectively, kg/m3; T - temperature, °C; G0 - gas saturation, m3/m3
TERRITORIJA NEFTEGAS - OIL AND GAS TERRITORY No. 9-10 October 2020
15
АВТОМАТИЗАЦИЯ
а) a)
n s > 1 i-
<*> -e-13
U OJ 4J О X CO
О (О SS <->
б) b)
<U д о
«-е-"Я
<U ¥ "
О х ГО
а> и Ü р; о в
у ¡е (_) со т а- тс ш
Q.
"к
Э. &
U)
о и ьп
о
Ч—
о
в) с)
ГО 3 >
ofi g
о х го Ц
Е s з .¡2
S Ь -У 5
F. о <а ^
1,6 1/ 1,2 1,0 0,8 0,6 0,4 0,2
0,35 0,30 0,25 0,20 0,15 0,10 0,05 0
0,40 0,35 0,30 0,25 0,20 0,15 0,10 0,05 0
м
0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 Экспериментальное значение вязкости рнд, Pa-s Experimental value of viscosity рн , Pa-s
*
• •
0 0,05 0,10 0,15 0,20 0,25 0,30 0,35
Экспериментальное значение вязкости рн, Pa-s Experimental value of viscosity Pa-s
I*
t
0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 Экспериментальное значение вязкости рна, Pa-s Experimental value of viscosity u, Pa-s
Рис. 2. Результаты применения методов искусственной нейронной сети (ANN) и опорных векторов (SVM) для прогнозирования вязкости нефти: а) дегазированной; б) насыщенной; в) ненасыщенной
Fig. 2. The results of using the methods of artificial neural network (ANN) and support vectors (SVM) for predicting the viscosity of oil: a) degassed; b) saturated; c) unsaturated
или
^-/(IVWhJ. (8)
Основываясь на данных, приведенных в табл. 2,с использованием методов ANN и SVM были построены модели для прогнозирования вязкости нефти
для всех групп. При этом для расчета вязкости ненасыщенной нефти было собрано достаточное количество данных, тогда как база для прогнозирования вязкости нефти двух других групп в дальнейшем нуждается в расширении за счет сбора большего объема данных.
Данные,использованные в рамках исследования, были нормированы с помощью следующего уравнения:
d" = ld" гК»"^)"1, (9)
\ max min /
где d0 - исходные первоначальные данные; dn - нормализованные данные. Этап нормализации позволил упростить и ускорить обучение модели с использованием линейного преобразования.
Была выбрана оптимальная структура предлагаемой модели ANN для различных кластеров наборов данных (вязкость ненасыщенной, насыщенной и дегазированной нефти). Во всех моделях было установлено одинаковое количество скрытых слоев. Модель ANN показала наивысшую точность со следующими показателями: 7 нейронов для вязкости ненасыщенной нефти, 6 нейронов для вязкости насыщенной нефти и 8 нейронов для вязкости дегазированной нефти. При оценке производительности моделей использовались разные критерии. Каждый коэффициент детерминации R2 варьировался от 0 до 1: 1 означает совершенную статистическую корреляцию, т. е. практически полное совпадение между прогнозируемыми и фактическими значениями вязкости нефти, 0 означает, что показатели вовсе не коррелируют.
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ
Результаты оценивались по тестовой выборке, включающей 25 % собранных исходных данных, во избежание влияния переобучения моделей на итоговый результат.
На рис. 2 представлена графическая интерпретация сравнительного анализа прогнозируемых показателей и данных, полученных в результате применения алгоритмов, описанных в статье, к исходным данным.
В табл. 3 приведены параметры, на основе которых осуществлялось моделирование, а также результаты определения вязкости с применением методов ANN и SVM. Из таблицы видно, что методы ANN показали наибольшую точность для всех функций прогнозирования вязкости. Это объясняется тем, что метод
16
№ 9-10 октябрь 2020 ТЕРРИТОРИЯ НЕФТЕГАЗ
AUTOMATION
Таблица 4. Сравнение точности корреляций вязкости дегазированной нефти Table 4. Comparison of the accuracy of correlations of the viscosity of degassed oil
Публикация Published work Коэффициент детерминации R2 Determination factor R2
Beggs and Robinson (1975) [7] 0,03
Beals (1946) [6] 0,12
Kaye (1985) [9] 0,20
Labedi (1992) [13] 0,38
Dindoruk and Christman (2004) [24] 0,60
Bennison (1998) [16] 0,65
Al-Khafaji et al (1987) [10] 0,71
Bergman and Sutton (2009) [19] 0,80
Hossain et al (2005) [20] 0,81
Naseri et al (2005) [21] 0,81
Egbogah and Ng (1990) [11] 0,84
Petrosky (1990) [15] 0,84
Kartoamtmodjo and Schmidt (1994) [14] 0,88
El-Hoshoudy et al (2013) [23] 0,89
Elsharkawy and Alikhan (1999) [17] 0,90
Glaso (1980) [8] 0,91
Alomair et al (2011) [25] 0,91
Hemmati et al (2013) [22] 0,93
Данное исследование This study 0,98
ANN больше подходит для проведения регрессионных исследований. Следует отметить, что предлагаемый алгоритм моделирования позволяет оценить вязкость всех типов нефти, причем для этого потребуется минимум исходных данных, а расчет производится с использованием простейшей функции, что расширяет возможности применения предложенной методики. В табл. 3 представлены данные, отражающие точность прогнозирования вязкости нефти согласно опубликованным работам в сравнении с данной статьей. Очевидно, что метод, предложенный авторами статьи, позволяет с помощью искусственной нейронной сети c достаточно высокой точностью осуществить моделирование на основе минимума вводных данных.
ВЫВОДЫ
1. Предложенный метод позволяет с достаточной точностью и на основе минимального объема данных спрогнозировать вязкость легкой, средней и тяжелой сырой нефти.
2. Данный метод, при применении которого используются ANN и SVM, позволил сократить количество ошибок при прогнозировании вязкости нефти по сравнению с эмпирическими корреляциями, описанными в литературе.
3. В исследовании было показано, что плотность API и температура негативно влияют на вязкость дегазированной нефти. Это значит, что увеличение плотности API/температуры вызывает снижение вязкости.
4. В рамках исследования установлено, что наибольшее влияние на вязкость дегазированной нефти имеет плотность API.
I
Литература:
1. Ahmadloo F., Asghari K., Araghi M.M. Heavy Oil Viscosity Prediction Using Surface Response Methodology // Proceedings of the Canadian International Petroleum Conference. Petroleum Society of Canada, 2009.
2. Balabin R.M., Syunyaev R.Z. Petroleum Resins Adsorption onto Quartz Sand: Near Infrared (NIR) Spectroscopy Study // Journal of Colloid and Interface Science. 2007. Vol. 318. No. 2. P. 167-174.
3. Balabin R.M., Safieva R.Z., Lomakina-Rumyantseva E.I. Comparison of Linear and Nonlinear Calibration Models Based on Near Infrared (NIR) Spectroscopy Data for Gasoline Properties Prediction // Chemometrics and Intelligent Laboratory Systems. 2007. Vol. 88. No. 2. P. 183-188.
4. Balabin R.M., Syunyaev R.Z., Schmid T. et al. Asphaltene Adsorption onto an Iron Surface: Combined Near-Infrared (NIR), Raman, and AFM Study of the Kinetics, Thermodynamics, and Layer Structure // Energy Fuel. 2011. Vol. 25. No. 1. P. 189-196.
5. Ayoub M.A., Raja A.M., Al-Marhoun M.A. Evaluation of Below Bubble Point Correlations and Construction of a New Neural Network Model // Proceedings of the Asia Pacific Oil and Gas Conference and Exhibition. 2007. 10.2118/108439-MS.
6. Beal C. The Viscosity of Air, Water, Natural Gas, Crude Oil and Its Associated Gases at Oil Field Temperatures and Pressures // Transactions of the AIME. 1946. Vol. 165. No. 1. P. 94-115.
7. Beggs H.D., Robinson J.R. Estimating the Viscosity of Crude Oil Systems // Journal of Petroleum Technology. 1975. No. 27. P. 1140-1141.
TERRITORIJA NEFTEGAS - OIL AND GAS TERRITORY No. 9-10 October 2020
17
АВТОМАТИЗАЦИЯ
8. GLaso O. Generalized Pressure-VoLume-Temperature Correlations // Journal of Petroleum Technology. 1980. Vol. 32. No. 5. P. 785-795.
9. Kaye S. Offshore California Viscosity Correlations // COFRC. 1985. TS85000940.
10. AL-Khafaji A.H., AbduL-Majeed G.H., Hassoon S.F. Viscosity Correlation for Dead, Live and Undersaturated Crude Oils // Journal of Petroleum Research. 1987. No. 6. P. 1-16.
11. Ng J.T., Egbogah E.O. An Improved Temperature-Viscosity Correlation for Crude Oil Systems // Journal of Petroleum Science and Engineering. 1990. No. 5. P. 197-200.
12. Labedi R.M. PVT Correlations of the African Crudes. PhD thesis. USA: Colorado School of Mines; 1982.
13. Labedi R. Improved Correlations for Predicting the Viscosity of Light Crudes // Journal of Petroleum Science and Engineering. 1992. No. 8. P. 221-234.
14. Kartoatmodjo T., Jakarta P., Schmidt Z. Large Data Bank improves Crude Physical Property Correlations // Oil and Gas Journal (USA). 1994. No. 4. P. 51-55.
15. Petrosky Jr. G.E., Farshad F.F. Viscosity Correlations for Gulf of Mexico Crude Oils // Proceedings of SPE Production Operations Symposium. 1995.
16. Bennison T. Prediction of Heavy Oil Viscosity // Presented at the IBC Heavy Oil Field Development Conference. 1998.
17. ELsharkawy A.M., ALikhan A.A. Models for Predicting the Viscosity of Middle East Crude Oils // Fuel. 1999. Vol. 78. No. 8. P. 891-903.
18. Whitson C.H., Brule M.R. Phase Behavior. Richardson, Texas: Henry L. Doherty Memorial Fund of AIME, Society of Petroleum Engineers Inc.; 2000.
19. Bergman D.F., Sutton R.P. An Update to Viscosity Correlations for Gas-Saturated Crude Oils // SPE Annual Technical Conference and Exhibition. 2007.
20. Hossain M.S., Sarica C., Zhang H.-Q. et aL. Assessment and Development of Heavy Oil Viscosity Correlations // SPE International Thermal Operations and Heavy Oil Symposium. 2005.
21. Naseri A., Nikazar M., Mousavi Dehghani S.A. A Correlation Approach for Prediction of Crude Oil Viscosities // Journal of Petroleum Science and Engineering. 2005. No. 47. P. 163-174.
22. Hemmati-Sarapardeh A., Khishvand M., Naseri A., Mohammadi A.H. Toward Reservoir Oil Viscosity Correlation // Chemical Engineering Science. 2013. No. 90. P. 53-68.
23. EL-Hoshoudy A.N., ALi O.I., Dessouky S.M. New Correlations for Prediction of Viscosity and Density of Egyptian Oil Reservoirs // Fuel. 2013. No. 112. P. 277-282.
24. Dindoruk B., Christman P.G. PVT Properties and Viscosity Correlations for GuLf of Mexico Oils // SPE Reservoir Evaluation & Engineering. 2004;7(6):427-437.
25. ALomair O., ELsharkawy A.M., ALkandari H.A. A Viscosity Prediction for Kuwaiti Heavy Crudes at Elevated Temperatures // SPE Heavy OiL Conference and Exhibition. 2011. P. 1-18.
References:
1. AhmadLoo F., Asghari K., Araghi M.M. Heavy OiL Viscosity Prediction Using Surface Response MethodoLogy. In: Proceedings of the Canadian InternationaL PetroLeum Conference. PetroLeum Society of Canada; 2009.
2. BaLabin R.M., Syunyaev R.Z. PetroLeum Resins Adsorption onto Quartz Sand: Near Infrared (NIR) Spectroscopy Study. JournaL of CoLLoid and Interface Science. 2007;318(2):167-174.
3. BaLabin R.M., Safieva R.Z., Lomakina-Rumyantseva E.I. Comparison of Linear and NonLinear CaLibration ModeLs Based on Near Infrared (NIR) Spectroscopy Data for GasoLine Properties Prediction. Chemometrics and InteLLigent Laboratory Systems. 2007;88(2):183-188.
4. BaLabin R.M., Syunyaev R.Z., Schmid T. et aL. AsphaLtene Adsorption onto an Iron Surface: Combined Near-Infrared (NIR), Raman, and AFM Study of the Kinetics, Thermodynamics, and Layer Structure. Energy FueL. 2011;25(1):189-196.
5. Ayoub M.A., Raja A.M., AL-Marhoun M.A. EvaLuation of BeLow BubbLe Point CorreLations and Construction of a New NeuraL Network ModeL. In: Proceedings of the Asia Pacific OiL and Gas Conference and Exhibition. 2007. 10.2118/108439-MS.
6. BeaL C. The Viscosity of Air, Water, NaturaL Gas, Crude OiL and Its Associated Gases at OiL FieLd Temperatures and Pressures. Transactions of the AIME. 1946;165(1):94-115.
7. Beggs H.D., Robinson J.R. Estimating the Viscosity of Crude OiL Systems. JournaL of PetroLeum TechnoLogy. 1975;(27):1140-1141.
8. GLaso O. GeneraLized Pressure-VoLume-Temperature CorreLations. JournaL of PetroLeum TechnoLogy. 1980;32(5):785-795.
9. Kaye S. Offshore CaLifornia Viscosity CorreLations. COFRC. 1985. TS85000940.
10. AL-Khafaji A.H., AbduL-Majeed G.H., Hassoon S.F. Viscosity CorreLation for Dead, Live and Undersaturated Crude OiLs. JournaL of PetroLeum Research. 1987;(6):1-16.
11. Ng J.T., Egbogah E.O. An Improved Temperature-Viscosity CorreLation for Crude OiL Systems. JournaL of PetroLeum Science and Engineering. 1990;(5):197-200.
12. Labedi R.M. PVT CorreLations of the African Crudes. PhD thesis. USA: CoLorado SchooL of Mines; 1982.
13. Labedi R. Improved CorreLations for Predicting the Viscosity of Light Crudes. JournaL of PetroLeum Science and Engineering. 1992;(8):221-234.
14. Kartoatmodjo T., Jakarta P., Schmidt Z. Large Data Bank improves Crude PhysicaL Property CorreLations. OiL and Gas JournaL (USA). 1994;(4):51-55.
15. Petrosky Jr. G.E., Farshad F.F. Viscosity CorreLations for GuLf of Mexico Crude OiLs // Proceedings of SPE Production Operations Symposium. 1995.
16. Bennison T. Prediction of Heavy OiL Viscosity. Presented at the IBC Heavy OiL FieLd DeveLopment Conference. 1998.
17. ELsharkawy A.M., ALikhan A.A. ModeLs for Predicting the Viscosity of MiddLe East Crude OiLs. FueL. 1999;78(8):891-903.
18. Whitson C.H., BruLe M.R. Phase Behavior. Richardson, Texas: Henry L. Doherty MemoriaL Fund of AIME, Society of PetroLeum Engineers Inc.; 2000.
19. Bergman D.F., Sutton R.P. An Update to Viscosity CorreLations for Gas-Saturated Crude OiLs. SPE AnnuaL TechnicaL Conference and Exhibition. 2007.
20. Hossain M.S., Sarica C., Zhang H.-Q. et aL. Assessment and DeveLopment of Heavy OiL Viscosity CorreLations // SPE InternationaL ThermaL Operations and Heavy OiL Symposium. 2005.
21. Naseri A., Nikazar M., Mousavi Dehghani S.A. A CorreLation Approach for Prediction of Crude OiL Viscosities. JournaL of PetroLeum Science and Engineering. 2005;(47):163-174.
22. Hemmati-Sarapardeh A., Khishvand M., Naseri A., Mohammadi A.H. Toward Reservoir OiL Viscosity CorreLation. ChemicaL Engineering Science. 2013;(90):53-68.
23. EL-Hoshoudy A.N., ALi O.I., Dessouky S.M. New CorreLations for Prediction of Viscosity and Density of Egyptian OiL Reservoirs. FueL. 2013;(112):277-282.
24. Dindoruk B., Christman P.G. PVT Properties and Viscosity Correlations for Gulf of Mexico Oils. SPE Reservoir Evaluation & Engineering. 2004;7(6):427-437.
25. ALomair O., ELsharkawy A.M., ALkandari H.A. A Viscosity Prediction for Kuwaiti Heavy Crudes at ELevated Temperatures // SPE Heavy OiL Conference and Exhibition. 2011. P. 1-18.
18
№ 9-10 октябрь 2020 ТЕРРИТОРИЯ НЕФТЕГАЗ
