Nghiên cứu nâng cao hiệu quả xử lý khí tự nhiên tại mỏ hải thạch

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT NGHIÊN CỨU NÂNG CAO HIỆU QUẢ XỬ LÝ KHÍ TỰ NHIÊN TẠI MỎ HẢI THẠCH Ngành: Kỹ thuật dầu khí Mã số: 9520604 LUẬN ÁN TIẾN SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC: Hà Nội, 2022 LỜI CAM ĐOAN Tôi xin cam đoan công trình nghiên cứu riêng tơi Các số liệu, kết nêu Luận án trung thực chưa cơng bố cơng trình khác Hồ Chí Minh, ngày tháng Tác giả Luận án năm 2023 MỤC LỤC LỜI CAM ĐOAN MỤC LỤC DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ MỞ ĐẦU 13 CHƯƠNG 1: TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU TRONG LĨNH VỰC XỬ LÝ KHÍ TRÊN THẾ GIỚI, VIỆT NAM VÀ CÁC GIẢI PHÁP NÂNG CAO HIỆU QUẢ XỬ LÝ KHÍ 24 1.1 Tổng quan xử lý khí tự nhiên giàn khai thác 24 1.2 Vị trí vai trị mỏ khí – condensate HT-MT 33 1.3 Hệ thống khai thác, xử lý khí mỏ HT-MT 36 1.3.1 Hệ thống thu gom khí đầu vào bình tách lỏng 38 1.3.2 Hệ thống làm khô khí .39 1.3.3 Hệ thống nén khí áp suất cao đo đạc thương mại 40 1.3.4 Hệ thống xử lý condensate .41 1.3.5 Hệ thống chế dự báo lưu lượng nhằm tối ưu chế độ vận hành đảm bảo dòng chảy đường ống nội mỏ 42 1.3.6 Hệ thống chế dự báo bất thường giếng thiết bị việc nâng cao hiệu xử lý khí mỏ HT 52 1.4 Các phương pháp nâng cao hiệu xử lý khí tự nhiên 56 1.4.1 Các phương pháp truyền thống nâng cao hiệu xử lý khí tự nhiên 56 1.4.2 Các giải pháp đại nâng cao hiệu xử lý khí tự nhiên 63 1.4.3 Phương pháp nâng cao hiệu xử lý khí tự nhiên sử dụng cơng nghệ xử lý số liệu thông minh 72 1.4.4 Luận giải phương pháp áp dụng xu hướng thời gian tới 85 1.5 Kết luận chương 87 CHƯƠNG 2: XÂY DỰNG MÔ HÌNH XỬ LÝ SỐ LIỆU THƠNG MINH NHẰM NÂNG CAO HIỆU QUẢ XỬ LÝ KHÍ TẠI MỎ HẢI THẠCH 90 2.1 Nghiên cứu nâng cao độ xác phương pháp dự báo lưu lượng khí condensate, đảm bảo khả thu hồi khai thác mỏ HT .90 2.1.1 Giới thiệu phương pháp áp dụng nhằm dự báo lưu lượng khí condensate mỏ HT 90 2.1.2 Các nghiên cứu xử lý số liệu thông minh dự báo lưu lượng khai thác 97 2.1.3 Nghiên cứu phát triển mơ hình dự báo sản lượng khí condensate sử dụng hệ thống suy luận mờ thần kinh thích ứng cải tiến 99 2.1.4 Xây dựng mơ hình dự báo sản lượng condensate mỏ HT 111 2.2 Nghiên cứu mơ hình dự báo bất thường nhằm ổn định áp suất đảm bảo dịng chảy khí bay cho q trình xử lý khí mỏ HT 126 2.2.1 Giới thiệu phương pháp áp dụng nhằm dự báo, theo dõi bất thường mỏ HT .126 2.2.2 Phương pháp xử lý số liệu thông minh nhằm dự báo bất thường 129 2.2.3 Nghiên cứu mơ hình phát bất thường sử dụng mạng tự động mã hoá dựa nhớ dài – ngắn hạn cải tiến (LSTM-AE) 135 2.2.4 Xây dựng mơ hình dự báo bất thường cho liệu giếng khai thác máy nén khí cao áp HT 143 2.3 Kết luận chương 148 CHƯƠNG 3: ÁP DỤNG MƠ HÌNH XỬ LÝ SỐ LIỆU THÔNG MINH NHẰM NÂNG CAO HIỆU QUẢ XỬ LÝ KHÍ TẠI MỎ HẢI THẠCH 150 3.1 Áp dụng mơ hình dự báo sản lượng khí condensate mỏ HT 150 3.1.1 Tập liệu nhằm dự báo sản lượng giếng khai thác mỏ HT 150 3.1.2 Kiểm chứng kết áp dụng mơ hình dự báo lưu lượng khai thác mỏ HT 157 3.1.3 Áp dụng kết nghiên cứu q trình tối ưu hố khai thác giếng mỏ HT-MT 160 3.1.4 Đánh giá kết áp dụng mỏ HT 165 3.2 Áp dụng mô hình phát bất thường cho trình xử lý khí mỏ HT .166 3.2.1 Các máy nén khí mỏ HT-MT 166 3.2.2 Tập liệu giếng khai thác máy nén khí cao áp mỏ HT 168 3.2.3 Cơ chế phát bất thường 171 3.2.4 Kiểm chứng thảo luận kết phát bất thường sử dụng phương pháp xử lý số liệu thông minh mỏ HT .178 3.2.5 Đánh giá kết áp dụng mỏ HT 187 KẾT LUẬN VÀ KIẾN NGHỊ 189 Kết luận .189 Kiến nghị 191 DANH MỤC CÁC BÀI BÁO, CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ ĐÃ CÔNG BỐ 192 TÀI LIỆU THAM KHẢO 195 DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT STT Ký hiệu chữ Chữ viết nghĩa đầy đủ Chữ viết nghĩa đầy đủ viết tắt (tiếng Việt) (tiếng Anh) AI Trí tuệ/Trí thơng minh nhân Artificial Intelligence tạo AM Cơ chế ý ANFIS Hệ thống suy luận mờ thần Adaptive Attention Mechanism Neuro-Fuzzy kinh thích ứng Inference System Artificial Neural Network ANN Mạng nơ-ron nhân tạo BPF Mạng thần kinh truyền thẳng Backpropagation CNN lan truyền ngược forward Mạng nơ-ron tích chập Convolutional Feed- Neural Network DL Học sâu Deep Learning DNN Mạng thần kinh học sâu Deep Neural Networks FCM Phương pháp phân cụm mờ Fuzzy C-mean clustering C-mean (FCM) 10 FIS Hệ thống suy luận mờ Fuzzy Inference System 11 FL Logic mờ Fuzzy Logic 12 GA Giải thuật di truyền Genetic Algorithm 13 GAN Mạng đối nghịch tạo sinh Generative Adversarial Networks 14 HT-MT Hải Thạch - Mộc Tinh Hai Thach – Moc Tinh field 15 LeakyReLU Đơn vị chỉnh lưu tuyến tính Leaky Rectified Linear Unit Leaky 16 LOESS Hồi quy cục sử dụng bình Local regression using phương tuyến tính tối thiểu có weighted linear least squares trọng số 17 LSTM Mạng nhớ dài - ngắn hạn Long Short Term Memory network 18 LSTM-AE Mạng tự động mã hóa dựa Long Short Term Memory Bộ nhớ dài - ngắn hạn based Autoencoder network Mean Absolute Error 19 MAE Trung bình sai số tuyệt đối 20 MAPE Phần trăm sai số trung bình Mean Absolute Percent Error tuyệt đối 21 MCC Hệ số tương quan Matthews Matthews Correlation Coefficient 22 MF Hàm liên thuộc Membership Function 23 ML Học máy Machine Learning 24 MLP Perceptron nhiều lớp Multi-Layer Perceptrons 25 MSE Sai số tồn phương trung bình Mean Square Error 26 OCSVM Máy vector hỗ trợ lớp One-class Support Vector Machine 27 PE Nơron (phần tử xử lý PE) Processing mạng ANN ANN Elements for 28 PSO Tối ưu hoá bầy đàn Particle Swarm Optimization 29 R2 Hệ số xác định Coefficient of determination 30 ReLU Đơn vị chỉnh lưu tuyến tính Rectified Linear Unit (Rectified Linear Unit) 31 RLOESS Một phiên mạnh mẽ Robust Local regression ‘loess’ định trọng số thấp using weighted linear least cho giá trị ngoại biên squares (outliner) hồi quy 32 RMSE Lỗi trung bình bình phương Root Mean Squared Error gốc 33 RNN Mạng nơ-ron hồi quy Recurrent Neural Network 34 RS Tìm kiếm ngẫu nhiên Random Search 35 SVM Máy vector hỗ trợ Support Vector Machines 36 TVD Độ sâu theo phương thẳng True Vertical Depth đứng 37 VA Tính tốn phương sai Variance Account DANH MỤC CÁC BẢNG Bảng 1.1: Tiêu chuẩn kĩ thuật cho dịng khí thương mại, áp dung Bắc Mỹ, châu Âu Trung Đông 28 Bảng 1.2: Tiêu chí kỹ thuật cho dịng khí thương mại vào đường ống dẫn khí Nam Côn Sơn 29 Bảng 1.3: Bảng phân tích thành phần khí khơ cho Mộc Tinh 30 Bảng 2.1: Các thông số Mơ hình ANFIS với hai kiểu thuật toán phân vùng trừ FCM 117 Bảng 2.2: Tối ưu hóa siêu tham số 144 Bảng 3.1: So sánh mơ hình áp dụng ANFIS cải tiến 160 Bảng 3.2: Kết độ mở giếng sản lượng condensate tương ứng cho mẫu thử 2,169 triệu mét khối khí/ngày 163 Bảng 3.3: Kết độ mở giếng sản lượng condensate tương ứng cho mẫu thử 6,044 triệu mét khối khí/ngày 164 Bảng 3.4: TPR, FPR giá trị ngưỡng nhằm đạt điểm F tối đa 177 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1: Q trình xử lý khí tự nhiên chế biến thành phẩm hạ nguồn 25 Hình 1.2: Mơ hình thu gom hệ thống xử lý khí tự nhiên: (1) thiết bị đầu giếng; (2) hệ thống tách xử lý tạp chất 26 Hình 1.3: Sơ đồ vị trí Lơ 05-2 05-3, bể Nam Côn Sơn 35 Hình 1.4: Sản lượng khí khai thác mỏ HT-MT 36 Hình 1.5: Các cụm giàn mỏ HT-MT 37 Hình 1.6: Sơ đồ hệ thống cơng nghệ xử lý khí giàn cơng nghệ PQP-HT 38 Hình 1.7: Quá trình hình thành slug đường ống 48 Hình 1.8: Đường vận hành tối ưu cho thiết bị máy nén, máy phát 54 Hình 1.9: Cơng cụ RTO cơng trình xử lý khí Karso, Na Uy 65 Hình 1.10: Công suất nhà máy tăng lên 1% lượng tiêu thụ cơng trình xử lý khí Karso, Na Uy 66 Hình 1.11: Mơ hình mơ tĩnh áp dụng hệ thống đường ống dẫn khí NOGAT, Hà Lan 69 Hình 1.12: Đường ống dẫn khí NOGAT, Hà Lan 69 Hình 1.13: Áp suất Reid (RVP) cơng trình BG Tunisia, trước sau áp dụng phương pháp Realtime APC 72 Hình 2.1: Kết tính tốn áp suất, nhiệt độ đầu máy nén cấp cấp sử dụng phần mềm mô HYSYS với điều kiện thực tế vận hành 91 Hình 2.2: Sơ đồ hệ thống xử lý khí condensate mỏ HT-MT kết nối với giếng vỉa chứa 95 Hình 2.3: Sơ đồ khối hệ thống suy luận mờ 101 Hình 2.4: Mơ hình mờ Sugeno bậc với hai đầu hai quy tắc 108 Hình 2.5: Mơ hình ANFIS tương đương cho mơ hình mờ Sugeno bậc với luật mờ 109 Hình 2.6: Mơ hình chung cho toán Machine Learning 114 Hình 2.7: Phân chia liệu cho giai đoạn trình học máy 115 187 mơ hình có hiệu suất tốt Với bước thời gian = hàm kích hoạt ReLU, giá trị Ngưỡng tối ưu 0,070233 giá trị điểm F 0,57143 với mẫu dương tính giả mẫu âm tính giả (a) (b) Hình 3.24: Bất thường thật (đường gạch ngang màu đỏ) điểm bất thường phát (đường màu xanh tô màu vàng) cho ba thuộc tính điển hình (a) với phần phóng to tập liệu (b) Với kết nêu, việc áp dụng thuật toán Mạng tự động mã hoá dựa nhớ dài ngắn hạn cải tiến để dự báo bất thường máy nén khí cao áp nhằm ổn định áp suất đảm bảo dịng chảy khí cho q trình xử lý thu hồi khí bay Mơ hình LSTM-AE cải tiến phù hợp áp dụng cho máy nén khí thiết bị có nhiều cảm biến, việc theo dõi liên tục cảm biến vơ khó khăn Đồng thời, lượng liệu phong phú sau 10 năm vận hành, dùng để huấn luyện mơ hình để đưa kết dự đốn có độ tin cậy cao 3.2.5 Đánh giá kết áp dụng mỏ HT Do đặc thù hoạt động khai thác mỏ HT-MT thực điều kiện cơng trình biển nằm cách xa bờ, u cầu an toàn nghiêm ngặt hoạt động sản xuất liên tục Trong nghiên cứu, mơ hình phát bất thường giúp hỗ trợ kĩ sư điều hành cơng tác theo dõi, phân tích, dự báo điều chỉnh trình khai thác, giúp nâng cao hiệu xử lý khai thác đồng thời bảo đảm tính an toàn, liên tục hiệu cho hệ thống khai thác bề mặt mỏ HT Điều mở 188 hướng nghiên cứu tích cực việc quản lý giám sát thông minh thiết bị xử lý khí mỏ khí Mơ hình phát bất thường áp dụng thành công cho giếng khai thác máy nén khí tự nhiên sử dụng mạng LSTM-AE cải tiến chứa lớp LSTM xếp chồng giúp trích xuất hiệu tính cần thiết từ chuỗi thời gian đa biến Đồng thời tận dụng liệu lịch sử thời gian thực, tự động so sánh trường hợp trước để dự báo hành vi bất thường thiết bị trước xảy Mơ hình dự báo nước xâm nhập giếng khai thác khí nghiên cứu cách chi tiết đánh giá theo liệu thực tế nhằm khai thác cách an toàn, liên tục hiệu vỉa chứa khí - condensate đặc biệt điều kiện nhiều vỉa chịu ảnh hưởng tầng nước đáy Các kết quan trọng nêu bật sau: ▪ Kỹ thuật Tìm kiếm Ngẫu nhiên tối ưu hóa hiệu mạng LSTM-AE cải tiến để có MAE thấp vectơ lỗi tái tạo cho tập siêu tham số khác kiến trúc mạng, số lượng nơ-ron, kích thước cửa sổ trượt, hàm kích hoạt, chỉnh lưu, tỉ lệ bỏ qua, kích thước lô tốc độ học ▪ Giá trị ngưỡng (threhold) tối ưu sau lựa chọn để phân loại xác nhiều điểm bất thường với điểm F-score đạt cao số mơ hình tối ưu hóa Các mạng bao gồm LSTM với 448, 224, 224 448 nơron tương ứng, lớp bỏ qua với tỉ lệ 0,15, vectơ lặp lại lớp phân phối thời gian hàm kích hoạt ReLU, chỉnh lưu L2 0,025, tốc độ học 0,001 hàm mát MAE cho kết dự đốn có F-score tốt 0,57143 với tất điểm bất thường phát sớm xác định xác Bên cạnh cụm mỏ HT-MT, mơ hình dự báo bất thường sử dụng mạng LSTMAE cải tiến áp dụng cho mỏ khai thác khí khác Việt Nam Sao Vàng – Đại Nguyệt, Sư Tử Trắng, Lan Tây – Lan Đỏ, Rồng Đôi – Rồng Đôi Tây, v.v Để ứng dụng thuật toán học máy mỏ khác cần thu thập cách tập trung liệu chuỗi thời tất giếng khai thác thiết bị 189 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Đề tài nghiên cứu phát triển phương pháp nâng cao hiệu xử lý khí tự nhiên công nghệ xử lý số liệu thông minh xuất phát từ yêu cầu thực tế sản xuất mỏ HT Đây dự án có quy mơ lớn từ trước tới Việt Nam, nằm vùng bất thường áp suất lớn, nhiệt độ vỉa cao (nhiệt độ đáy giếng lên đến 187oC áp suất vượt ngưỡng 898 atm) Hệ thống khai thác xử lý khí mỏ HT vận hành an toàn, hiệu gặp nhiều khó khăn, thách thức lưu lượng áp suất giảm Do đó, việc đảm bảo vận hành giếng, thiết bị khai thác cách liên tục ổn định vấn đề sống hệ thống xử lý khí tự nhiên mỏ HT-MT Kết nghiên cứu khẳng định tính khả thi, tính hiệu kinh tế khai thác áp dụng phương pháp Học máy nhằm tận dụng sở hạ tầng liệu khai thác mỏ khí – condensate HT Việc ứng dụng thuật tốn Hệ thống suy luận mờ thần kinh thích ứng cải tiến (Improved ANFIS) nâng cao độ xác dự báo lưu lượng khí condensate giúp chủ động đóng mở giếng để phù hợp điều kiện tiêu thụ, tránh dư thừa, lãng phí có lưu lượng condensate cao mà bảo toàn lượng vỉa, đảm bảo khả thu hồi khai thác giếng; ổn định điều kiện đầu vào hệ thống xử lý Phương pháp dự báo bất thường sử dụng mạng LSTM-AE cải tiến giúp thay đổi từ nhận thức muộn (khi xảy ra) sang nhìn xa thấy trước việc phân tích tồn diện thơng số theo chuỗi thời gian đa biến, cung cấp cảnh báo sớm để người vận hành điều chỉnh kịp thời thơng số vận hành hệ thống công nghệ, tránh thiệt hại lớn gây cố hỏng hóc máy nén khí Khác với cách làm thơng thường dừng máy, kiểm tra thay phụ tùng theo định kì, hoạt động vận hành, bảo trì bảo dưỡng thực dựa phân tích hiệu suất thiết bị theo thời gian thực sử dụng trí tuệ nhân tạo Chu trình hoạt động liên tục thiết bị kéo dài hơn, lịch trình khai thác, bảo trì thiết bị tối ưu hố, qua đó, nâng cao hiệu suất hoạt động hệ thống xử lý khí Đồng thời giúp tiết kiệm lượng, chi phí nguyên vật liệu, kéo dài tuổi thọ thiết bị 190 Kết nghiên cứu đề tài giúp đảm bảo tính an tồn, hiệu liên tục hệ thống xử lý khí tự nhiên; giảm thiểu rủi ro, thời gian cố phải dừng giàn hay đóng giếng khơng theo kế hoạch Đảm bảo ổn định áp suất dòng chảy cho trình xử lý thu hồi khí bay nâng cao hiệu khai thác xử lý mỏ HT Qua giúp Biển Đơng POC tổ chức vận hành khai thác quản lý địa chất mỏ liên tục, ổn định hiệu với thời gian hoạt động liên tục đạt 99.9999% Tỉ lệ hoạt động liên tục cao nhiều so với tiêu chuẩn chung giàn khai thác giới khoảng 94% Kết nghiên cứu đề tài góp phần giảm thời gian khắc phục, xử lý cố, giảm thời gian cần cho hoạt động bảo trì bảo dưỡng tiết kiệm chi phí vật tư thay nhờ xây dựng kế hoạch vận hành, bảo trì bảo dưỡng dựa liệu lịch sử vận hành, thực tế tình trạng sức khỏe hiệu suất thiết bị Tỉ lệ hồn thành hạn cơng tác bảo trì bảo dưỡng, vận hành khai thác đạt 100% so với kế hoạch hàng tháng, hàng năm Tỉ lệ vật tư tiêu hao so với kế hoạch dự toán đạt trung bình 95% Các kết quan trọng nêu bật sau: ▪ Kỹ thuật tiền xử lý làm mịn liệu thuật toán hồi quy cục sử dụng bình phương tuyến tính tối thiểu có trọng số 'loess' giúp giảm phần ba thời gian tính tốn trì độ xác cần thiết cho mơ hình dự báo chuỗi thời gian Ngoài ra, kỹ thuật xáo trộn ngẫu nhiên xác thực chéo k-lần chứng minh khả tránh tượng khớp nâng cao độ xác mơ hình dự báo Mơ hình đạt giá trị RMSE nhỏ Hệ số xác định 𝑅2 cao sử dụng hai thuật toán phân vùng trừ phân vùng mờ FCM cho dự đoán lưu lượng giếng khai thác mỏ HT ▪ Luận án mơ hình tối ưu hóa cách sử dụng kỹ thuật tối ưu Tìm kiếm Ngẫu nhiên cho siêu tham số khác dựa tính tốn số Trung bình sai số tuyệt đối (MAE) hàm mát Giá trị ngưỡng (threshold) tối ưu sau lựa chọn để phân loại xác nhiều điểm bất thường với điểm F-score cao số mơ hình tối ưu hóa Trong đó, mạng Improved LSTM-AE bao gồm lớp LSTM với 448, 224, 224 448 nơ-ron; lớp Dropout tỉ lệ 0,15; Vectơ lặp lại lớp Phân phối thời gian Hàm kích hoạt ReLU; chỉnh lưu L2 0,025; tốc độ học 0,001 hàm mát MAE cho kết 191 dự đốn có F-score tốt 0,57143 với tất điểm bất thường phát sớm xác định xác Đây hệ thống, phương pháp quản trị mỏ mới, sáng tạo, khoa học, mang tính thực tiễn cao phù hợp với xu phát triển công nghệ để phục vụ cho hoạt động dầu khí khu vực đặc biệt khó khăn phức tạp thuộc thềm lục địa Việt Nam, đồng thời góp phần bảo vệ chủ quyền biển, đảo thiêng liêng Tổ quốc Với kết nghiên cứu ứng dụng vào thực tế góp phần đại hóa nâng cao hiệu khai thác xử lý mỏ khí condensate; giảm thiểu thời gian chi phí tự đầu tư nghiên cứu cơng ty dầu khí, góp phần làm tăng hiệu đầu tư dự án thăm dò khai thác dầu khí Việt Nam Kiến nghị Tiếp tục nghiên cứu, phát triển thuật toán ML cho ứng dụng giám sát, quản lý vỉa chứa, bảo trì tiên đốn phân tích đặc tính vìa để phục vụ cơng tác thăm dị thẩm lượng lơ 05-2; 05-3 Tiếp tục đẩy mạnh việc nghiên cứu phát triển thuật toán Học máy ứng dụng ngành dầu khí Việt Nam, tập trung vào lĩnh vực như: tìm kiếm thăm dị, khoan, khai thác vận chuyển sản phẩm Kết nghiên cứu luận án áp dụng cho mỏ khác có điều kiện tương tự thềm lục địa Việt Nam 192 DANH MỤC CÁC BÀI BÁO, CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ ĐÃ CÔNG BỐ NCS tác giả, đồng tác giả nhiều cơng trình khoa học cấp nhà nước, giải thưởng Hồ Chí Minh, cấp bộ, cấp tập đồn Trong có báo đăng tạp chí SPE Journal nhóm Q1 danh mục ISI/SCOPUS báo đăng hội thảo chuyên ngành SPE, cụ thể là: Tiếng Việt [1] Trần Ngọc Trung, Ngô Hữu Hải, Triệu Hùng Trường, “Giám sát đánh giá hệ số tắc nghẽn trao đổi nhiệt dạng giàn cơng nghệ xử lí khí Hải Thạch”, Tạp chí Khoa học kỹ thuật Mỏ - Địa Chất, Tập 60, Kỳ (2019), 81-89 [2] Trần Ngọc Trung, Ngô Hữu Hải, Trần Vũ Tùng, Lý Văn Dao, Triệu Hùng Trường, “Nghiên cứu xây dựng mô hình mơ động lực học chất lỏng tính tốn (CFD) cho thiết bị Ejector sử dụng nâng cao tỷ lệ thu hồi mỏ khí condensate Hải Thạch”, Tạp chí Dầu Khí, Số năm 2020, trang 14-24, ISSN 2615-9902 [3] Trần Ngọc Trung, Ngô Hữu Hải, Trần Vũ Tùng, Lý Văn Dao, Triệu Hùng Trường, “Ảnh hưởng cấu tạo thiết bị ejector ứng dụng gia tăng thu hồi khí condensate mỏ Hải Thạch”, Tạp chí Dầu Khí, Số năm 2020, trang 4-19, ISSN 2615-9902 [4] Trần Ngọc Trung, Trần Vũ Tùng, Hồng Kỳ Sơn, Ngơ Hữu Hải, Đào Quang Khoa, “Thực tiễn triển khai Nền tảng số hoá tập trung mỏ Hải Thạch – Mộc Tinh”, Tạp chí Dầu Khí, Số 12 năm 2020, ISSN 2615-9902 [5] Nguyễn Văn Thịnh, Triệu Hùng Trường, Trần Thanh Hải, Ngô Hữu Hải, Trần Ngọc Trung “Nghiên cứu ứng dụng cơng cụ trí tuệ nhân tạo để chuẩn đoán dạng hỏng thường gặp máy bơm ly tâm hệ thống vận chuyển khí condensate mỏ Hải Thạch - Mộc Tinh”, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, Số 63, Kỳ [08-2022], trang 81-90, DOI:10.46326/JMES.2022.63(4).08 [6] Đồng tác giả đề tài khoa học “Nghiên cứu triển khai chương trình Chuyển Đổi Số Quản trị mỏ Dầu khí Thơng minh nhằm nâng cao hiệu quản lý, khai thác mỏ khí condensate Hải Thạch - Mộc Tinh Lô 05-2; 05-3, thuộc Biển 193 Đơng Việt Nam”, giải Nhì, Giải thưởng Sáng tạo Khoa học Công Nghệ Việt Nam (Vifotec) [7] Đồng tác giả đề tài khoa học “Nghiên cứu, phát triển ứng dụng công nghệ để khai thác mỏ khí - condensate với điều kiện đặc biệt phức tạp, thềm lục địa Việt Nam” tham gia Giải thưởng KHCN Dầu khí Việt Nam, Loại A, Giải thưởng Khoa học Cơng nghệ Dầu Khí Việt Nam 2015-2020 (Lần 2) Quyết định số 5862/QĐ-DKVN, Giải thưởng Hồ Chí Minh Giải thưởng Nhà nước Khoa học Công nghệ Đợt Tiếng Anh [8] Trần Ngọc Trung, Triệu Hùng Trường, “Increase the accuracy of Condensate metering by applying the new metering correction formula and standardize to follow API standard at HaiThach-MocTinh Condensate Field”, Earth Sciences and Natural Resources for Sustainable Development Vietnam 2018 [9] Trần Vũ Tùng, Trần Ngọc Trung, Ngô Hữu Hải, Nguyễn Thanh Tĩnh, “Digital transformation in oil & gas company: A case study of Bien Dong POC”, Tạp chí Dầu Khí, Số 10 năm 2020, ISSN 2615-9902 [10] Tran Ngoc Trung, Trieu Hung Truong, Tran Vu Tung, Ngo Huu Hai, Dao Quang Khoa, Hoang Ky Son, “Virtual multiphase flow metering using Adaptive Neuro-Fuzzy Inference System (ANFIS) – a case study of Hai Thach-Moc Tinh field, Offshore Vietnam”, SPE Journal SPE_J_206741, 202 [11] Son Hoang Ky, Tung Tran Vu, Tan Nguyen Ngoc, Tu Truong Anh, Duy Pham Hoang, Trung Tran Ngoc, Vinh Trinh Xuan, Anh Ngo Tuan, “Successful Application of Machine Learning to Improve Dynamic Modeling and History Matching for Complex Gas-Condensate Reservoirs in Hai Thach Field, Nam Con Son Basin, Offshore Vietnam”, SPE Symposium: Artificial Intelligence – Towards a Resilient and Efficient Energy Industry, October 11-12, 202, DOI: 10.2118/208657-MS [12] Son Hoang Ky, Tung Tran Vu, Tan Nguyen Ngoc, Tu Truong Anh, Duy Pham Hoang, Trung Tran Ngoc, Vinh Trinh Xuan, Anh Ngo Tuan “Successful Case Study of Machine Learning Application to Streamline and Improve History 194 Matching Process for Complex Gas-Condensate Reservoirs in Hai Thach Field, Offshore Vietnam”, SPE Middle East Oil & Gas Show and Conference, December 2021, 10.2118/204835-MS [13] Tran, N T., Trieu, H T., Tran, V T., Ngo, H H., & Dao, Q K (2021), “An overview of the application of machine learning in predictive maintenance”, Petrovietnam Journal, 10, 47 – 61, https://doi.org/10.47800/PVJ.2021.10-05 [14] Hai H Ngo, Trung N Tran, Tung V.Tran, Khoa Q Dao, Trung T Nguyen, Son K Hoang, Truong H Trieu, “Anomaly Detection for Centrifuge Natural Gas Compressor Using LSTM-Based Autoencoder in Hai Thach – Moc Tinh Field, Offshore Vietnam”, Integrated Petroleum Engineering for Energy Transition and Sustainable Development October 6, 2022, Hanoi, Vietnam, page 197-215 195 TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] BDPOC, "Báo cáo sản xuất tháng đầu năm 2022 - BDPOC," BDPOC, Monthy Report2022, Available: BDPOC Internal Weblink H D Dĩnh (2013) Những mốc son lịch sử ngành Dầu khí Việt Nam Available: http://www.pvn.vn/Pages/detail.aspx?NewsID=6507017d-5d3f-4ed3-a1f6-fb92c67a4298 T Tran Vu, T Tran Ngoc, H Ngo Huu, and T Nguyen Thanh, "Digital transformation in oil and gas companies - A case study of Bien Dong POC," Petrovietnam Journal, vol 10, pp 67-78, 2020/10/30 2020 T N Trung, T V Tùng, H K Sơn, N H Hải, and Đ Q Khoa, "Thực tiễn triển khai tảng số hóa tập trung mỏ Hải Thạch - Mộc Tinh," PETROVIETNAM JOURNAL, vol Số 12 - 2020, trang 47 56, no Số 12 - 2020, pp 47 - 56, 2020 T N Trung et al., "Virtual Multiphase Flowmetering Using Adaptive Neuro-Fuzzy Inference System (ANFIS): A Case Study of Hai Thach-Moc Tinh Field, Offshore Vietnam," SPE Journal, pp 1-15, 2021 BP, "Statistical Review of World Energy 2021 - 70th Edition," in "World Energy Data," 2021, Available: https://www.bp.com/content/dam/bp/business-sites/en/global/corporate/pdfs/energyeconomics/statistical-review/bp-stats-review-2021-full-report.pdf J M H R A S.-M K Campbell, Gas conditioning and processing 2014 H Devold, "Oil and gas production handbook An introduction to oil and gas production," 01/01 2007 D Seemann, M Williamson, and S Hasan, "Improving Reservoir Management through Big Data Technologies," presented at the SPE Middle East Intelligent Energy Conference and Exhibition, Manama, Bahrain, 2013/10/28/, 2013 Available: https://doi.org/10.2118/167482-MS A Mursaliyev, "Implementation of Virtual Flow Metering Concept in Kashagan Field," presented at the SPE Annual Caspian Technical Conference and Exhibition, Astana, Kazakhstan, 2018/10/29/, 2018 Available: https://doi.org/10.2118/192592-MS G A Moreno, A Garriz, M a Fernandez Badessich, and G Bottesi, "Production Data Integration for Virtual Flow Metering," presented at the SPE Annual Technical Conference and Exhibition, Amsterdam, The Netherlands, 2014/10/27/, 2014 Available: https://doi.org/10.2118/170838-MS S S Dakshindas, T Ertekin, and A S Grader, "Virtual Well Testing," presented at the SPE Eastern Regional Meeting, Charleston, West Virginia, 1999/1/1/, 1999 Available: https://doi.org/10.2118/57452-MS A Aggarwal and S Agarwal, "ANN Powered Virtual Well Testing," presented at the Offshore Technology Conference-Asia, Kuala Lumpur, Malaysia, 2014/3/25/, 2014 Available: https://doi.org/10.4043/24981-MS R Mollinedo et al., "Online Transient Simulation To Support Production Operations Planning in Wet Crude-Oil-Gathering System," in SPE Latin America and Caribbean Petroleum Engineering Conference, 2014, vol Day Wed, May 21, 2014, D011S005R003 M R Brule, "Big Data in Exploration and Production: Real-Time Adaptive Analytics and Data-Flow Architecture," presented at the SPE Digital Energy Conference, The Woodlands, Texas, USA, 2013/3/5/, 2013 Available: https://doi.org/10.2118/163721-MS S Mohaghegh, "Artificial Intelligence and Data Mining: Enabling Technology for Smart Fields," The Way Ahead, vol 05, pp 14-19, 04/15 2015 O Bello, D Yang, S Lazarus, X S Wang, and T Denney, "Next Generation Downhole Big Data Platform for Dynamic Data-Driven Well and Reservoir Management," presented at the SPE Reservoir Characterisation and Simulation Conference and Exhibition, Abu Dhabi, UAE, 2017/5/5/, 2017 Available: https://doi.org/10.2118/186033-MS A Sandnes, V Uglane, and B Grimstad, Slug Flow Root Cause Analysis: A Data-Driven Approach 2019 B F M Pots, I G Bromilow, and M J W F Konijn, "Severe Slug Flow in Offshore Flowline/Riser Systems," SPE Production Engineering, vol 2, no 04, pp 319-324, 1987 S Mokhatab, W A Poe, and J Y Mak, "Chapter 17 - Maximizing Profitability of Gas Plant Assets," in Handbook of Natural Gas Transmission and Processing (Third Edition), S Mokhatab, W A Poe, and J Y Mak, Eds Boston: Gulf Professional Publishing, 2015, pp 517-542 N V Thịnh, T H Trường, T T Hải, N H Hải, and T N Trung, "Nghiên cứu ứng dụng công cụ trí tuệ nhân tạo để chuẩn đốn dạng hỏng thường gặp máy bơm ly tâm hệ thống vận chuyển khí condensate mỏ Hải Thạch - Mộc Tinh %J Tạp chí Khoa học kỹ thuật Mỏ - Địa chất," vol 63, no 4, pp 81-90, 2022 S M Willson, Z A Moschovidis, J R Cameron, and I D Palmer, "New Model for Predicting the Rate of Sand Production," in SPE/ISRM Rock Mechanics Conference, 2002, vol All Days, SPE78168-MS 196 [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] J Geertsma, "Some Rock-Mechanical Aspects of Oil and Gas Well Completions," Society of Petroleum Engineers Journal, vol 25, no 06, pp 848-856, 1985 I Vardoulakis, M Stavropoulou, and P Papanastasiou, "Hydro-mechanical aspects of the sand production problem," Transport in Porous Media, vol 22, no 2, pp 225-244, 1996/02/01 1996 E Papamichos, I Vardoulakis, J Tronvoll, and A Skjærstein, "Volumetric sand production model and experiment," vol 25, no 8, pp 789-808, 2001 K Bullin and K Hall, "Optimization of Natural Gas Processing Plants Including Business Aspects," 01/01 2000 S Mokhatab, W A Poe, and J Y Mak, "Chapter 16 - Real-Time Optimization of Gas Processing Plants," in Handbook of Natural Gas Transmission and Processing (Third Edition), S Mokhatab, W A Poe, and J Y Mak, Eds Boston: Gulf Professional Publishing, 2015, pp 487-516 W Van Wassenhove, "Chapter 15 - Dynamic Simulation of Gas Processing Plants," in Handbook of Natural Gas Transmission and Processing (Third Edition), S Mokhatab, W A Poe, and J Y Mak, Eds Boston: Gulf Professional Publishing, 2015, pp 467-485 K Patel and R Patwardhan, Machine Learning in Oil & Gas Industry: A Novel Application of Clustering for Oilfield Advanced Process Control 2019 C Hotblack, "BG Tunisia's advanced process control improves condensate product stability," vol 225, pp 40-43, 09/01 2004 H Lu, L Guo, M Azimi, and K Huang, "Oil and Gas 4.0 era: A systematic review and outlook," Computers in Industry, vol 111, pp 68-90, 2019/10/01/ 2019 S Singh (2018, 21st Feb) AI in Oil & Gas Market Worth 2.85 Billion USD by 2022 Available: https://www.prnewswire.com/news-releases/ai-in-oil-amp-gas-market-worth-2-85-billion-usd-by2022-808671798.html A Subramaniyan (2017) Putting Analytics to Work for You: Data and Models Available: https://www.bhge.com/system/files/201710/D2%20S3%20Putting%20Analytics%20to%20Work.pdf Z Tekic and D Koroteev, "From disruptively digital to proudly analog: A holistic typology of digital transformation strategies," Business Horizons, vol 62, no 6, pp 683-693, 2019/11/01/ 2019 H Li, H Yu, N Cao, H Tian, and S Cheng, "Applications of Artificial Intelligence in Oil and Gas Development," Archives of Computational Methods in Engineering, vol 28, no 3, pp 937-949, 2021/05/01 2021 H H Marie-Hélène Ben Samoun, Sylvain Santamarta, JT Clark, and Whitney Hughes-Plummer (2019, 12 March 2019 ) Going Digital Is Hard for Oil and Gas Companies—but the Payoff Is Worth It Boston Consulting Group Available: https://www.bcg.com/ru-ru/publications/2019/digital-valueoil-gas R G Sylvain Santamarta, and Michael Bechauf (2019, August 19, 2019 ) Big Oil, Big Data, Big Value Boston Consulting Group Available: https://www.bcg.com/publications/2019/big-oil-datavalue C E Bravo et al., "State of the Art of Artificial Intelligence and Predictive Analytics in the E&P Industry: A Technology Survey," SPE Journal, vol 19, no 04, pp 547-563, 2014/8/1/ 2014 M Ockree, K G Brown, J Frantz, M Deasy, and R John, "Integrating Big Data Analytics Into Development Planning Optimization," presented at the SPE/AAPG Eastern Regional Meeting, Pittsburgh, Pennsylvania, USA, 2018/10/5/, 2018 Available: https://doi.org/10.2118/19179618ERM-MS C Chen, M Yang, X Han, and J Zhang, "Water Flooding Performance Prediction in Layered Reservoir Using Big Data and Artificial Intelligence Algorithms," presented at the Abu Dhabi International Petroleum Exhibition & Conference, Abu Dhabi, UAE, 2019/11/11/, 2019 Available: https://doi.org/10.2118/197585-MS L T Akanji and I Ofi, "Application of Artificial Intelligence in Oilfield Operation and Intervention," presented at the SPE Intelligent Energy International Conference and Exhibition, Aberdeen, Scotland, UK, 2016/9/6/, 2016 Available: https://doi.org/10.2118/181116-MS Gong Yan, Yang Weijun, Wang Ruqiang, and H Mingfu, "Present Conditions and Prospect of China's Intelligent Refinery Technology," vol 37, no 3, pp 28-33, 2018-07-05 2018 J Sneed, "Predicting ESP Lifespan With Machine Learning," in SPE/AAPG/SEG Unconventional Resources Technology Conference, 2017, vol All Days, URTEC-2669988-MS D Guo, C S Raghavendra, K.-T Yao, M Harding, A Anvar, and A Patel, "Data Driven Approach to Failure Prediction for Electrical Submersible Pump Systems," in SPE Western Regional Meeting, 2015, vol All Days, SPE-174062-MS P Herve, G Haddad, K Moore, and M Rosner, "Automated Model Building: The Next AI Frontier in Predictive Maintenance," presented at the Offshore Technology Conference, Houston, Texas, USA, 2018/4/30/, 2018 Available: https://doi.org/10.4043/28634-MS 197 [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] P Bangert, "Smart Condition Monitoring Using Machine Learning," presented at the SPE Intelligent Oil and Gas Symposium, Abu Dhabi, UAE, 2017/5/9/, 2017 Available: https://doi.org/10.2118/187936-MS C Kandziora, "Applying Artificial Intelligence to Optimize Oil and Gas Production," presented at the Offshore Technology Conference, Houston, Texas, 2019/4/26/, 2019 Available: https://doi.org/10.4043/29384-MS W Almadhoun and A Alashqar, A Novel Hybrid Artificial Intelligence Predictive Multi-Stages Model for Gas Compressors Based on Multi-Factors 2018 S S Thajudeen, "Advanced Analytics Solutions: Towards a Data Driven Organisation," presented at the Offshore Technology Conference Asia, Kuala Lumpur, Malaysia, 2018/3/20/, 2018 Available: https://doi.org/10.4043/28591-MS L H An, "Nghiên cứu ứng dụng trí tuệ nhân tạo minh giải tài liệu địa vật lý giếng khoan phục vụ tìm kiếm thăm dị dầu khí thềm lục địa Việt Nam," Báo cáo Đề tài cấp mã số B2006-02-05, 2008 T Đ Lân, "Nghiên cứu độ thấm đá móng nứt nẻ granitoit mỏ Bạch Hổ mạng nơ-ron nhân tạo," Luận án Tiến sĩ Địa chất, Trường Đại học Mỏ - Địa chất, 2008 (2013) Nghiên cứu trạng giải pháp công nghệ - kỹ thuật nâng cao hiệu cơng tác hồn thiện giếng khai thác dầu mỏ Đại Hùng, báo cáo Đề tài Bộ Công thương ĐT10.11/ĐMCNKK L Q Thịnh et al., "Ứng dụng kỹ thuật mạng Nearal nhân tạo dự báo độ thấm đá chứa Miocene mỏ Đại Hùng sở tài liệu mẫu lõi đường địa vật lý giếng khoan," Tạp chí dầu khí, vol Số tr.28-32 - 2015 2015 T H Trường, N T Vinh, and v nnk, "Nghiên cứu hồn thiện cơng nghệ khoan thân nhánh giếng khai thác đường kính nhỏ bể Cửu Long nhằm tăng cường thu hồi dầu," Đề tài cấp Nhà nước, mã số 14/HĐ-ĐT.14.13/ĐMCNKK, Bộ Cơng Thương 2013-2015, thuộc “Chương trình KH công nghệ trọng điểm công nghệ khai thác chế biến khoáng sản” thực Đề án “Đổi HĐH công nghệ ngành công nghiệp khai khống đến năm 2015, tầm nhìn đến năm 2025”, lĩnh vực dầu khí, 2015 N T Vinh, N H An, and v nnk, "Đặc tính hố thuỷ động lực vỉa chứa nứt nẻ: Ứng dụng mơ hình hệ thống nứt nẻ rời rạc," Tạp chí KHKT Mỏ - Địa chất, vol Số 54, 4/2016 Chuyên đề Khoan - Khai thác trang 3-10, 2016 N T Đức, P N Trung, and v nnk, "Dự báo phân bố thơng số địa học vỉa chứa dầu khí sử dụng mạng thần kinh nhân tạo," Tuyển tập công trình Hội nghị Tồn quốc lần thứ IV Ứng dụng Toán học., 2016 T K Tiến and H T Nhân, "Sử Dụng Mạng Neural Nhân Tạo Để Dự Đoán Hệ Số Z Cho Khí Hydrocarbon Thiên Nhiên," Tạp Chí Dầu Khí, vol Volume 8/2016, pp p 27 - 34, 2016 N V Hùng and Đ H Minh, "Ứng Dụng Ann Trong Dự Báo Áp Suất Nứt Vỉa," Tạp Chí Dầu Khí, vol Số - 2019, trang 32 - 41, 2019 T D Tu et al., "An applied machine learning approach to production forecast for basement formation - Bach Ho field," PETROVIETNAM JOURNAL, vol Volume 6/2019, pp p 48 - 57, 2019 T Q Dũng, L T Hà, and P D Khang, "Ứng Dụng Mạng Neuron Nhân Tạo (Ann) Trong Dự Báo Độ Rỗng," Tạp Chí Dầu Khí, vol Số - 2019, trang 18 - 27, 2019 R Kohli and S Johnson, "Digital transformation in latecomer industries: CIO and CEO leadership lessons from Encana Oil & Gas (USA) Inc," MIS Quarterly Executive, vol 10, 12/01 2011 D P G.C Kane, A.N Phillips, D Kiron, N Buckley, "Strategy, not technology, drives digital transformation," The 2015 Digital Business Global Executive Study and Research Project, 2015 MIT Sloan Management Review and Deloitte F G Van den Berg, "Smart Fields - Optimising Existing Fields," presented at the Digital Energy Conference and Exhibition, Houston, Texas, U.S.A., 2007/1/1/, 2007 Available: https://doi.org/10.2118/108206-MS A Danilko, A Senkov, and A Andreev, "Virtual Flowmetering for Intelligent Wells," presented at the SPE Russian Petroleum Technology Conference, Moscow, Russia, 2019/10/22/, 2019 Available: https://doi.org/10.2118/196856-MS M Giuliani et al., Hybrid Artificial Intelligence Techniques for Automatic Simulation Models Matching with Field Data 2018 A Romero Quishpe et al., "Innovative Artificial Intelligence Approach in Vaca Muerta Shale Oil Wells for Real Time Optimization," presented at the SPE Annual Technical Conference and Exhibition, Calgary, Alberta, Canada, 2019/9/23/, 2019 Available: https://doi.org/10.2118/195940MS R Srikonda, A Rastogi, and H Oestensen, "Increasing Facility Uptime Using Machine Learning and Physics-Based Hybrid Analytics in a Dynamic Digital Twin," in Offshore Technology Conference, 2020, vol Day Wed, May 06, 2020, D031S032R002 198 [68] [69] [70] [71] [72] [73] [74] [75] [76] [77] [78] [79] [80] [81] [82] [83] [84] [85] [86] [87] [88] [89] M Reader-Harris, "Standards ISO 5167-2:2003 Measurement of fluid flow by means of pressure differential devices inserted in circular cross-section conduits running full—Part 2: Orifice plates," in Orifice Plates and Venturi TubesCham: Springer International Publishing, 2013, pp 377-388 E Brynjolfsson and T Mitchell, "What can machine learning do? Workforce implications," Science, vol 358, no 6370, pp 1530-1534, 2017 I M Cockburn, R Henderson, and S Stern, "The Economics of Artificial Intelligence: An Agenda," in The Impact of Artificial Intelligence on Innovation: An Exploratory Analysis, A Ajay, G Joshua, and G Avi, Eds.: University of Chicago Press, 2019, pp 115-148 M I K R Lakhani (2020) Competing in the Age of AI Harvard Business Review Available: https://hbr.org/2020/01/competing-in-the-age-of-ai Y Liao, X Zeng, T Song, and L Zhang, "Stock price forecast using Tree Augmented Naïve (TAN) bayes," vol 212, 2013, pp 1013-1019 A Arango and J Velásquez, "Forecasting the Colombian Exchange Market Index (IGBC) using Neural Networks," Latin America Transactions, IEEE (Revista IEEE America Latina), vol 12, pp 718-724, 06/01 2014 R Cao, X Liang, and Z Ni, "Stock Price Forecasting with Support Vector Machines Based on Web Financial Information Sentiment Analysis," in Advanced Data Mining and Applications, Berlin, Heidelberg, 2012, pp 527-538: Springer Berlin Heidelberg F S Alakbari, S Elkatatny, and S O Baarimah, "Prediction of Bubble Point Pressure Using Artificial Intelligence AI Techniques," presented at the SPE Middle East Artificial Lift Conference and Exhibition, Manama, Kingdom of Bahrain, 2016/11/30/, 2016 Available: https://doi.org/10.2118/184208-MS J Bruyelle and D Guérillot, "Optimization of Waterflooding Strategy Using Artificial Neural Networks," presented at the SPE Reservoir Characterisation and Simulation Conference and Exhibition, Abu Dhabi, UAE, 2019/9/17/, 2019 Available: https://doi.org/10.2118/196643-MS K Elbaz, S.-L Shen, A Zhou, D.-J Yuan, and Y.-S Xu, "Optimization of EPB Shield Performance with Adaptive Neuro-Fuzzy Inference System and Genetic Algorithm," Applied Sciences, vol 9, no 4, p 780, 2019 N Zhang, S.-L Shen, A Zhou, and Y.-F Jin, "Application of LSTM approach for modelling stress– strain behaviour of soil," Applied Soft Computing, vol 100, p 106959, 2021/03/01/ 2021 O Olominu and A A Sulaimon, "Application of Time Series Analysis to Predict Reservoir Production Performance," presented at the SPE Nigeria Annual International Conference and Exhibition, Lagos, Nigeria, 2014/8/5/, 2014 Available: https://doi.org/10.2118/172395-MS S A Denoo, R F Hammar, and J B Maxwell, "Utilizing Log-derived Permeability to Predict Rates of Gas Production," Journal of Canadian Petroleum Technology, vol 20, no 02, p 5, 1981/4/1/ 1981 C Carpenter, "Production Metrics To Predict Long-Term Performance of Unconventional Wells," Journal of Petroleum Technology, vol 69, no 07, pp 73-75, 2017/7/1/ 2017 A Okon and D Appah, "Neural Network Models for Predicting Wellhead Pressure-Flow Rate Relationship for Niger Delta Oil Wells," Journal of Scientific Research and Reports, vol 12, pp 114, 01/10 2016 M Salleh, N Talpur, and K Hussain, Adaptive Neuro-Fuzzy Inference System: Overview, Strengths, Limitations, and Solutions 2017, pp 527-535 M H Rammay and A Abdulraheem, "Automated History Matching Using Combination of Adaptive Neuro Fuzzy System (ANFIS) and Differential Evolution Algorithm," presented at the SPE Large Scale Computing and Big Data Challenges in Reservoir Simulation Conference and Exhibition, Istanbul, Turkey, 2014/9/15/, 2014 Available: https://doi.org/10.2118/172992-MS K Shahriar and H Owladeghaffari, "Analysis of Permeability Using BPF, ANFIS & SOM," presented at the 1st Canada - U.S Rock Mechanics Symposium, Vancouver, Canada, 2007/1/1/, 2007 Available: https://doi.org/ Z Hamdi, A Haldavnekar, M Momeni, and M Bataee, "Improving Drilling Rate of Penetration Modelling Performance Using Adaptive Neuro-Fuzzy Inference Systems," presented at the Abu Dhabi International Petroleum Exhibition & Conference, Abu Dhabi, UAE, 2020/11/9/, 2020 Available: https://doi.org/10.2118/203427-MS C H Nguyen and W Wechler, "Hedge algebras: An algebraic approach to structure of sets of linguistic truth values," Fuzzy Sets and Systems, pp 281-293, 12/23 2012 L Rutkowski, K Cpałka, R Nowicki, A Pokropińska, and R Scherer, "Neuro-fuzzy SystemsNeurofuzzy systems (NFS)," in Computational Complexity: Theory, Techniques, and Applications, R A Meyers, Ed New York, NY: Springer New York, 2012, pp 2069-2081 T Takagi and M Sugeno, "Fuzzy identification of systems and its applications to modeling and control," IEEE Transactions on Systems, Man, and Cybernetics, vol SMC-15, no 1, pp 116-132, 1985 199 [90] [91] [92] [93] [94] [95] [96] [97] [98] [99] [100] [101] [102] [103] [104] [105] [106] [107] [108] [109] [110] [111] [112] [113] V Cherkassky, "Fuzzy Inference Systems: A Critical Review," Berlin, Heidelberg, 1998, pp 177197: Springer Berlin Heidelberg MathWorks (2020, 08 Aug) Generate fuzzy inference system object from data Available: https://www.mathworks.com/help/fuzzy/genfis.html S Chiu, "Fuzzy Model Identification Based on Cluster Estimation," Journal of the Intelligent and Fuzzy Systems, vol 2, pp 267-278, 01/01 1994 J Bezdek, "Objective Function Clustering," in Pattern Recognition With Fuzzy Objective Function Algorithms: Kluwer Academic Publishers, 1981, pp Pages 43-93 V I A Golovko, Neural Networks and Artificial Intelligence 8th International Conference, ICNNAI 2014, Brest, Belarus, June 3-6, 2014 Proceedings 2014 M Giuliani et al., "Hybrid Artificial Intelligence Techniques for Automatic Simulation Models Matching with Field Data and Constrained Production Optimization," presented at the International Petroleum Technology Conference, Abu Dhabi International Petroleum Exhibition & Conference, Abu Dhabi, UAE, November 2018, 2018 M Y Kanj and Y Abousleiman, "Realistic Sanding Predictions: A Neural Approach," presented at the SPE Annual Technical Conference and Exhibition, Houston, Texas, 1999/1/1/, 1999 Available: https://doi.org/10.2118/56631-MS Y B Lind and A R Kabirova, "Artificial Neural Networks in Drilling Troubles Prediction," presented at the SPE Russian Oil and Gas Exploration & Production Technical Conference and Exhibition, Moscow, Russia, 2014/10/14/, 2014 Available: https://doi.org/10.2118/171274-MS B J Adeyemi and A A Sulaimon, "Predicting Wax Formation Using Artificial Neural Network," presented at the Nigeria Annual International Conference and Exhibition, Lagos, Nigeria, 2012/1/1/, 2012 Available: https://doi.org/10.2118/163026-MS A Ahmed S, S Elkatatny, A Z Ali, A Abdulraheem, and M Mahmoud, "Artificial Neural Network ANN Approach to Predict Fracture Pressure," presented at the SPE Middle East Oil and Gas Show and Conference, Manama, Bahrain, 2019/3/15/, 2019 Available: https://doi.org/10.2118/194852-MS O T Olabisi, A J Atubokiki, and O Babawale, "Artificial Neural Network for Prediction of Hydrate Formation Temperature," presented at the SPE Nigeria Annual International Conference and Exhibition, Lagos, Nigeria, 2019/8/5/, 2019 Available: https://doi.org/10.2118/198811-MS A Ranjan, S Verma, and Y Singh, "Gas Lift Optimization using Artificial Neural Network," presented at the SPE Middle East Oil & Gas Show and Conference, Manama, Bahrain, 2015/3/8/, 2015 Available: https://doi.org/10.2118/172610-MS R d A Neta, N Ebecken, L P Caloba, and R P Bedregal, "ARTIFICIAL NEURAL NETWORK USE ON SIMULATION OF GEOLOGICAL PROCESSES," presented at the 17th World Petroleum Congress, Rio de Janeiro, Brazil, 2002/1/1/, 2002 Available: https://doi.org/ L A Zadeh, "Fuzzy sets," Information and Control, vol 8, no 3, pp 338-353, 1965/06/01/ 1965 V P Rivera, "Fuzzy Logic Controls Pressure In Fracturing Fluid Characterization Facility," presented at the Petroleum Computer Conference, Dallas, Texas, 1994/1/1/, 1994 Available: https://doi.org/10.2118/28239-MS S Cuddy, "The Application Of The Mathematics Of Fuzzy Logic To Petrophysics," presented at the SPWLA 38th Annual Logging Symposium, Houston, Texas, 1997/1/1/, 1997 Available: https://doi.org/ S.-S Lin, S.-L Shen, A Zhou, and Y.-S Xu, "Risk assessment and management of excavation system based on fuzzy set theory and machine learning methods," Automation in Construction, vol 122, p 103490, 2021/02/01/ 2021 A S Popa, "Identification of Horizontal Well Placement Using Fuzzy Logic," presented at the SPE Annual Technical Conference and Exhibition, New Orleans, Louisiana, USA, 2013/9/30/, 2013 Available: https://doi.org/10.2118/166313-MS J S R Jang, "Self-learning fuzzy controllers based on temporal backpropagation," IEEE Transactions on Neural Networks, vol 3, no 5, pp 714-723, 1992 S.-J Heo, Z Chunwei, and E Yu, "Response Simulation, Data Cleansing and Restoration of Dynamic and Static Measurements Based on Deep Learning Algorithms," International Journal of Concrete Structures and Materials, vol 12, no 1, p 82, 2018/12/29 2018 M Sugeno and G T Kang, "Structure identification of fuzzy model," Fuzzy Sets and Systems, vol 28, no 1, pp 15-33, 1988/10/01/ 1988 J R Jang and S Chuen-Tsai, "Neuro-fuzzy modeling and control," Proceedings of the IEEE, vol 83, no 3, pp 378-406, 1995 C.-T Lin and C S G Lee, Neural fuzzy systems: a neuro-fuzzy synergism to intelligent systems Prentice-Hall, Inc., 1996 K Elbaz, S Shen, W Sun, Z Yin, and A Zhou, "Prediction Model of Shield Performance During Tunneling via Incorporating Improved Particle Swarm Optimization Into ANFIS," IEEE Access, vol 200 [114] [115] [116] [117] [118] [119] [120] [121] [122] [123] [124] [125] [126] [127] [128] [129] [130] [131] [132] [133] [134] [135] [136] [137] [138] 8, pp 39659-39671, 2020 J Lu, "A neural fuzzy inference system," Journal of Electronics (China), vol 30, no 4, pp 401-410, 2013/08/01 2013 J Vávra, M Hromada, L Lukáš, and J Dworzecki, "Adaptive anomaly detection system based on machine learning algorithms in an industrial control environment," International Journal of Critical Infrastructure Protection, vol 34, p 100446, 2021/09/01/ 2021 MathWorks (2020) Filtering and Smoothing Data Available: https://www.mathworks.com/help/curvefit/smoothing-data.html P Purwanto and C Eswaran, "Enhanced hybrid prediction models for time series prediction," International Arab Journal of Information Technology, vol 15, pp 866-874, 09/01 2018 M Jalali-Heravi and A Kyani, "Comparison of Shuffling‐Adaptive Neuro Fuzzy Inference System (Shuffling ‐ ANFIS) with Conventional ANFIS as Feature Selection Methods for Nonlinear Systems," QSAR & Combinatorial Science, vol 26, pp 1046-1059, 10/01 2007 A Kolus, D Imbeau, P.-A Dubé, and D Dubeau, "Adaptive neuro-fuzzy inference systems with kfold cross-validation for energy expenditure predictions based on heart rate," Applied Ergonomics, vol 50, pp 68-78, 2015/09/01/ 2015 J Ferket, "Asset Performance Management 4.0 Internet of Things iot Enabled Condition Monitoring, a Story from a Digital Maintenance Service Provider," presented at the Abu Dhabi International Petroleum Exhibition & Conference, Abu Dhabi, UAE, 2018/11/12/, 2018 Available: https://doi.org/10.2118/192636-MS T R Bandaragoda, K M Ting, D Albrecht, F T Liu, Y Zhu, and J R Wells, "Isolation-based anomaly detection using nearest-neighbor ensembles," vol 34, no 4, pp 968-998, 2018 R Chalapathy and S Chawla, "Deep Learning for Anomaly Detection: A Survey," 2019 S Mohaghegh, L Hutchins, and C Sisk, "SPE 77659 Prudhoe Bay Oil Production Optimization: Using Virtual intelligence Techniques, Stage One: Neural Model Building," 09/01 2002 C Heghedus, A Shchipanov, and C Rong, "Advancing Deep Learning to Improve Upstream Petroleum Monitoring," IEEE Access, vol 7, pp 106248-106259, 2019 A Kianinejad et al., Artificial-Intelligence-Based, Automated Decline Curve Analysis for Reservoir Performance Management: A Giant Sandstone Reservoir Case Study 2019 M Braei and S Wagner, "Anomaly Detection in Univariate Time-series: A Survey on the State-ofthe-Art," vol abs/2004.00433, 2020 H Zhao, H Liu, W Hu, and X Yan, "Anomaly detection and fault analysis of wind turbine components based on deep learning network," Renewable Energy, vol 127, pp 825-834, 2018/11/01/ 2018 P Malhotra, L Vig, G Shroff, and P Agarwal, Long Short Term Memory Networks for Anomaly Detection in Time Series 2015 R Zhao, R Yan, J Wang, and K Mao, "Learning to Monitor Machine Health with Convolutional BiDirectional LSTM Networks," vol 17, no 2, p 273, 2017 L Xiang, P Wang, X Yang, A Hu, and H Su, "Fault detection of wind turbine based on SCADA data analysis using CNN and LSTM with attention mechanism," Measurement, vol 175, p 109094, 2021/04/01/ 2021 Y Wu, M Yuan, S Dong, L Lin, and Y Liu, "Remaining useful life estimation of engineered systems using vanilla LSTM neural networks," Neurocomputing, vol 275, pp 167-179, 2018/01/31/ 2018 X Ding and Q He, "Energy-Fluctuated Multiscale Feature Learning With Deep ConvNet for Intelligent Spindle Bearing Fault Diagnosis," IEEE Transactions on Instrumentation and Measurement, vol 66, no 8, pp 1926-1935, 2017 Y Gao, X Liu, and J Xiang, "FEM Simulation-Based Generative Adversarial Networks to Detect Bearing Faults," IEEE Transactions on Industrial Informatics, vol 16, no 7, pp 4961-4971, 2020 X Liu, H Huang, and J Xiang, "A personalized diagnosis method to detect faults in gears using numerical simulation and extreme learning machine," Knowledge-Based Systems, vol 195, p 105653, 02/01 2020 Z Pan, Z Meng, Z Chen, W Gao, and Y Shi, "A two-stage method based on extreme learning machine for predicting the remaining useful life of rolling-element bearings," Mechanical Systems and Signal Processing, vol 144, p 106899, 2020/10/01/ 2020 W Zhang, X Li, and Q Ding, "Deep residual learning-based fault diagnosis method for rotating machinery," ISA Transactions, vol 95, pp 295-305, 2019/12/01/ 2019 W Zhang, X Li, X.-D Jia, H Ma, Z Luo, and X Li, "Machinery fault diagnosis with imbalanced data using deep generative adversarial networks," Measurement, vol 152, p 107377, 2020/02/01/ 2020 L Jing, M Zhao, P Li, and X Xu, "A convolutional neural network based feature learning and fault 201 [139] [140] [141] [142] [143] [144] [145] [146] [147] [148] [149] [150] [151] [152] diagnosis method for the condition monitoring of gearbox," Measurement, vol 111, pp 1-10, 2017/12/01/ 2017 X Guo, L Chen, and C Shen, "Hierarchical adaptive deep convolution neural network and its application to bearing fault diagnosis," Measurement, vol 93, pp 490-502, 2016/11/01/ 2016 L Yu, J Qu, F Gao, and Y Tian, "A Novel Hierarchical Algorithm for Bearing Fault Diagnosis Based on Stacked LSTM," Shock and Vibration, vol 2019, pp 1-10, 01/06 2019 W Teng, H Cheng, X Ding, Y Liu, Z Ma, and H Mu, "A DNN-based approach for fault detection in a direct drive wind turbine," IET Renewable Power Generation, vol 12, 05/14 2018 S Afrasiabi, M Afrasiabi, B Parang, M Mohammadi, M Arefi, and M Rastegar, Wind Turbine Fault Diagnosis with Generative-Temporal Convolutional Neural Network 2019, pp 1-5 L Wang, Z Zhang, J Xu, and R Liu, "Wind Turbine Blade Breakage Monitoring With Deep Autoencoders," IEEE Transactions on Smart Grid, vol 9, no 4, pp 2824-2833, 2018 X Glorot and Y Bengio, "Understanding the difficulty of training deep feedforward neural networks," presented at the Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, Proceedings of Machine Learning Research, 2010 Available: https://proceedings.mlr.press/v9/glorot10a.html P Malhotra, A Ramakrishnan, G Anand, L Vig, P Agarwal, and G Shroff, "LSTM-based EncoderDecoder for Multi-sensor Anomaly Detection," 07/01 2016 S Ioffe and C Szegedy, "Batch normalization: accelerating deep network training by reducing internal covariate shift," presented at the Proceedings of the 32nd International Conference on International Conference on Machine Learning - Volume 37, Lille, France, 2015 V K and S K, "Towards activation function search for long short-term model network: A differential evolution based approach," Journal of King Saud University - Computer and Information Sciences, 2020/05/13/ 2020 W M Shaban, J Yang, K Elbaz, J Xie, and L Li, "Fuzzy-metaheuristic ensembles for predicting the compressive strength of brick aggregate concrete," Resources, Conservation and Recycling, vol 169, p 105443, 2021/06/01/ 2021 K P Tran, H D Nguyen, and S Thomassey, "Anomaly detection using Long Short Term Memory Networks and its applications in Supply Chain Management," IFAC-PapersOnLine, vol 52, no 13, pp 2408-2412, 2019/01/01/ 2019 H D Nguyen, K P Tran, S Thomassey, and M Hamad, "Forecasting and Anomaly Detection approaches using LSTM and LSTM Autoencoder techniques with the applications in supply chain management," International Journal of Information Management, vol 57, p 102282, 2021/04/01/ 2021 S Maya, K Ueno, and T Nishikawa, "dLSTM: a new approach for anomaly detection using deep learning with delayed prediction," International Journal of Data Science and Analytics, vol 8, 09/01 2019 S Sharma, S Sharma, and A Athaiya, "ACTIVATION FUNCTIONS IN NEURAL NETWORKS," International Journal of Engineering Applied Sciences and Technology, vol 04, pp 310-316, 05/10 2020 ... truyền thống nâng cao hiệu xử lý khí tự nhiên 56 1.4.2 Các giải pháp đại nâng cao hiệu xử lý khí tự nhiên 63 1.4.3 Phương pháp nâng cao hiệu xử lý khí tự nhiên sử dụng cơng nghệ xử lý số liệu... vận hành liên tục hệ thống công nghệ xử lý khí tự nhiên, qua nâng cao hiệu xử lý khai thác mỏ HT Đề tài ? ?Nghiên cứu nâng cao hiệu xử lý khí tự nhiên mỏ Hải Thạch? ?? có ý nghĩa khoa học thực tiễn... hình nghiên cứu lĩnh vực khai thác, xử lý khí giới, Việt Nam giải pháp nâng cao hiệu xử lý khí mỏ Hải Thạch ▪ Chương 2: Xây dựng mơ hình xử lý số liệu thơng minh nhằm nâng cao hiệu xử lý khí mỏ Hải