Контролируемое глубокое обучение

Научные отчеты, том 13, Номер статьи: 4892 (2023) Цитировать эту статью

679 Доступов

5 цитат

2 Альтметрика

Подробности о метриках

Высокие цены на нефть и обеспокоенность по поводу ограниченных запасов нефти приводят к увеличению интереса к увеличению нефтеотдачи пластов (EOR). Выбор наиболее эффективного плана развития представляет большой интерес для оптимизации экономических затрат. Следовательно, основной целью данного исследования является создание нового классификатора глубокого обучения для выбора наилучшего метода увеличения нефтеотдачи на основе свойств породы и жидкости коллектора (глубина, пористость, проницаемость, гравитация, вязкость) и температуры. Наш классификатор, основанный на глубоком обучении, состоит из одномерной (1D) сверточной нейронной сети, долговременной краткосрочной памяти (LSTM) и плотно связанных слоев нейронной сети. Генетический алгоритм был применен для настройки гиперпараметров этого гибридного классификатора. Предлагаемый классификатор разработан и апробирован с использованием 735 проектов повышения нефтеотдачи пластов на песчаниковых, рыхлых песчаниковых, карбонатных и конгломератных коллекторах в более чем 17 странах. Как численные, так и графические исследования подтверждают, что структурированный классификатор глубокого обучения является надежным инструментом для проверки сценариев повышения нефтеотдачи и выбора лучшего из них. Разработанная модель правильно классифицирует примеры обучения, проверки и тестирования с точностью 96,82%, 84,31% и 82,61% соответственно. Это означает, что только 30 из 735 доступных проектов МУН неверно идентифицируются предлагаемым классификатором глубокого обучения. Модель также демонстрирует небольшую категориальную перекрестную энтропию 0,1548 для классификации задействованных методов повышения нефтеотдачи. Такой мощный классификатор необходим для выбора наиболее подходящего кандидата на увеличение нефтеотдачи для данного нефтяного пласта с ограниченной информацией о месторождении.

Повышение нефтеотдачи пластов (EOR) помогает оптимизировать коэффициент нефтеотдачи для увеличения прибыли от нефтегазовых проектов1,2,3. Рост цен на нефть вызывает обеспокоенность по поводу будущих энергетических ресурсов и повышает интерес к увеличению нефтедобычи в мире4,5. Проекты повышения нефтеотдачи часто являются дорогостоящими и имеют более высокие первоначальные затраты, чем традиционные вторичные проекты6. Неправильный проект восстановления может привести к необратимому повреждению водоемов и увеличить финансовые потери. Эти анализы включают в себя лабораторные испытания и этапы определения характеристик пласта и моделирования, проектирования и проведения пилотных испытаний до окончательного проектирования и реализации проекта всего месторождения. Более того, все вышеупомянутые этапы предполагают инвестиции, которые могут быть рискованными, если они не будут должным образом подкреплены предварительной рентабельной стадией проверки. Следовательно, ключевым элементом подхода к принятию решений является, прежде всего, оценка потенциала повышения нефтеотдачи для целевого пласта. Это важнейшая цель, достигаемая с помощью практики скрининга МУН, которая призвана предоставить первый показатель, который будет использоваться для снижения риска при скромных капитальных вложениях.

Поэтому для разработки истощающихся коллекторов желателен надежный и точный метод скрининга повышения нефтеотдачи. Обзор литературы показывает, что обычно существует два метода скрининга МУН: (1) обычный скрининг МУН (CEORS) и (2) расширенный скрининг МУН (AEORS)7,8,9. Методика CEORS учитывает несколько предопределенных параметров проверки, чтобы указать вероятность успешной реализации каждого метода повышения нефтеотдачи. Эти параметры обычно охватывают свойства пластовой жидкости и породы (такие как нефтенасыщенность, плотность API, толщину слоя, тип пласта, проницаемость, вязкость, соленость, температуру и глубину) для успешных методов увеличения нефтеотдачи10,11. Эти предложенные стандарты были достигнуты путем анализа успешных проектов повышения нефтеотдачи, реализованных до 1997 года10. Кроме того, другие факторы, такие как доступные резервы и затраты на реализацию, оказывают ощутимое влияние на предложенные критерии. Эти параметры широко использовались при скрининге МУН в течение многих лет, и исследователи почти не пытались их улучшить/обновить. Аль-Адасани и Бай12 рассмотрели проекты МУН, проводимые с 1998 года, и усовершенствовали предложенный Табером и др.10 принцип. Машаехизаде и др. объединили несколько основных критериев отбора и разработали набор критериев реалистичности для каждого метода МУН13. Чжан и др. предложил графический индекс скрининга путем анализа многих проектов повышения нефтеотдачи на основе статистических параметров14. Дженсен и др. Рассматривался CEORS на месторождении Экофиск, и результаты показали, что сценарии попеременной закачки газа (WAG) и закачки воздуха являются наиболее подходящими методами увеличения нефтеотдачи15. Альварадо и Манрике подчеркнули, что заметным ограничением традиционных методов является то, что они дают только ответ «да/нет» без дополнительных подробностей о стратегиях повышения нефтеотдачи, применяемых в аналогичных месторождениях16. С другой стороны, достижения в области информатики создали хороший шанс для альтернативного подхода. За последнее десятилетие компьютерные технологии усовершенствовали подходы к скринингу МУН. Важную роль в этом подходе играют свойства пластовой породы и флюида, а также успешное внедрение методов увеличения нефтеотдачи. Этот подход был постепенно расширен как AEORS. Как и в других областях исследований17, методы машинного обучения также применяются для проверки МУН18,19. Стратегии искусственного интеллекта, включая искусственные нейронные сети (ИНС)18,19, экспертные системы20,21, нечеткий вывод22 и байесовские сети23,24, уже задействованы в задаче классификации МУН. Самые ранние исследования AEORS были проведены Альварадо и др.25. Они рассмотрели 290 проектов МУН по всему миру и применили методы уменьшения размерности и кластеризации для создания экспертной карты для выбора подходящего метода МУН25. Исследования, проведенные Lee et al. включает обучение модели ИНС с использованием 230 успешных сценариев увеличения нефтеотдачи для определения наиболее подходящего сценария увеличения нефтеотдачи для потенциальных коллекторов26. Кроме того, Зерафат и др. интегрировали критерии, предложенные Taber et al. используя 1098 сценариев МУН, и разработал сеть Байесовского доверия для прогнозирования соответствующих методов МУН24. Парада и Эртекин использовали коммерческий симулятор резервуара для сбора данных, необходимых для создания системы ИНС27. Они предложили новый подход к проверке МУН и прогнозированию эффективности сценариев увеличения нефтеотдачи27. В этой области также было проведено несколько аналогичных исследований и проверены многие методы машинного обучения, чтобы найти интеллектуальный инструмент для проверки МУН. Хазали и др. недавно обучила алгоритм нечеткого дерева решений, используя 548 успешных проектов повышения нефтеотдачи пластов по всему миру, чтобы определить правила отбора28. Бабушкина и др. определить и исследовать аналогию, применив метод кластеризации k-средних к 6-мерному пространству свойств пласта-коллектора и жидкости29. Потенциал повышения нефтеотдачи целевого месторождения оценивается путем интерполяции коэффициентов нефтеотдачи, связанных с (в конечном итоге разными) методами повышения нефтеотдачи в проектах, принадлежащих к одному и тому же кластеру29. Кроме того, Трухильо и др.30 объединили традиционные и передовые подходы для ранжирования доступной базы данных по показателю сходства10,11. Этот подход позволил выявить методы увеличения нефтеотдачи с высоким потенциалом применения на нефтяных месторождениях Колумбии.