Abstract A Takagi-Sugeno adaptive neuro-fuzzy inference system (TSFIS) model is developed and applied to a dataset of wellhead flow-test data for the Resalat oil field located offshore southern Iran, the objective is to assist in the prediction and control of multi-phase flow rates of oil and gas through the wellhead chokes. For this purpose, 182 test data points (Appendix 1) related to the Resalat field are evaluated. In order to predict production flow rate (QL) expressed as stock-tank barrels per day (STB/D), this dataset includes four selected input variables: upstream pressure (Pwh); wellhead choke sizes (D64); gas to liquid ratio (GLR); and, base solids and water including some water-soluble oil emulsion (BS&W). The test data points evaluated include a wide range of oil flow rate conditions and values for the four input variables recorded. The TSFIS algorithm applied involves five data processing steps: a) pre-processing, b) fuzzification, c) rules base and adaptive neuro-fuzzy inference engine, d) defuzzification, and e) post-processing of the fuzzy model. The developed TSFIS model for the Resalat oil field database predicted oil flow rate to a high degree of accuracy (root mean square error = 247 STB/D, correlation coefficient = 0.9987), which improves substantially on the commonly used empirical algorithms used for such predictions. TSFIS can potentially be applied in wellhead choke fuzzy controllers to stabilize flow in specific wells based on real-time input data records.

中文翻译：

---

自适应神经模糊算法应用于预测和控制通过井口节流阀的多相流速

摘要 开发了一种 Takagi-Sugeno 自适应神经模糊推理系统 (TSFIS) 模型并将其应用于位于伊朗南部近海 Resalat 油田的井口流量测试数据集，目的是协助预测和控制多通过井口节流阀的油气相流速。为此，评估了与 Resalat 油田相关的 182 个测试数据点（附录 1）。为了预测以储罐桶/天 (STB/D) 表示的生产流量 (QL)，该数据集包括四个选定的输入变量：上游压力 (Pwh)；井口节流阀尺寸 (D64)；气液比（GLR）；以及基础固体和水，包括一些水溶性油乳液 (BS&W)。评估的测试数据点包括各种油流量条件和记录的四个输入变量的值。应用的 TSFIS 算法涉及五个数据处理步骤：a) 预处理，b) 模糊化，c) 规则库和自适应神经模糊推理引擎，d) 去模糊化，以及 e) 模糊模型的后处理。为 Resalat 油田数据库开发的 TSFIS 模型以高精度预测石油流速（均方根误差 = 247 STB/D，相关系数 = 0.9987），大大改进了用于此类预测的常用经验算法. TSFIS 可以潜在地应用于井口节流模糊控制器，以根据实时输入数据记录稳定特定井中的流量。a) 预处理，b) 模糊化，c) 规则库和自适应神经模糊推理引擎，d) 去模糊化，以及 e) 模糊模型的后处理。为 Resalat 油田数据库开发的 TSFIS 模型以高精度预测石油流速（均方根误差 = 247 STB/D，相关系数 = 0.9987），大大改进了用于此类预测的常用经验算法. TSFIS 可以潜在地应用于井口节流模糊控制器，以根据实时输入数据记录稳定特定井中的流量。a) 预处理，b) 模糊化，c) 规则库和自适应神经模糊推理引擎，d) 去模糊化，以及 e) 模糊模型的后处理。为 Resalat 油田数据库开发的 TSFIS 模型以高精度预测油流量（均方根误差 = 247 STB/D，相关系数 = 0.9987），大大改进了用于此类预测的常用经验算法. TSFIS 可以潜在地应用于井口节流模糊控制器，以根据实时输入数据记录稳定特定井中的流量。为 Resalat 油田数据库开发的 TSFIS 模型以高精度预测石油流速（均方根误差 = 247 STB/D，相关系数 = 0.9987），大大改进了用于此类预测的常用经验算法. TSFIS 可以潜在地应用于井口节流模糊控制器，以根据实时输入数据记录稳定特定井中的流量。为 Resalat 油田数据库开发的 TSFIS 模型以高精度预测石油流速（均方根误差 = 247 STB/D，相关系数 = 0.9987），大大改进了用于此类预测的常用经验算法. TSFIS 可以潜在地应用于井口节流模糊控制器，以根据实时输入数据记录稳定特定井中的流量。