Методы машинного обучения помогают улучшить прогноз нефтеотдачи при подземном хранении CO₂
0
13
По сравнению с традиционными методами, алгоритмы помогли сделать процесс прогнозирования менее трудо- и времязатратным. Также в ТПУ провели сравнительный анализ четырех различных алгоритмов и выявили самый точный из них.
Разработка методов повышения нефтеотдачи в настоящее время особенно актуальна. Закачка CO₂ в истощенные нефтяные пласты для увеличения (CO₂ -EOR) является одним из широко применяемых. Помимо, собственно, возможности увеличения объема добычи нефти, геологическое хранение CO₂ — перспективный метод снижения концентрации антропогенных выбросов в атмосфере. Углекислый газ с помощью скважин закачивается в глубокие формации. Долгосрочное хранение углекислого газа в таком резервуаре обеспечивается за счет того, что он взаимодействует с частицами горных пород и растворяется в пластовом флюиде. Таким образом, с течением времени доля свободного газа в пласте уменьшается, так как он переходит в связанное состояние.
Ранее в ТПУ при поддержке федеральной программы Минобрнауки РФ «Приоритет-2030» разработали методику прогноза динамики связывания углекислого газа при его закачке в глубокозалегающие водоносные пласты для долгосрочного хранения. Модель, предложенная политехниками, учитывает большое количество параметров процесса и имеет высокую точность прогноза. Это позволит упростить и ускорить оценку объектов при подборе резервуаров хранения.
«В настоящее время для прогнозирования процессов обычно применяются традиционные методы моделирования с использованием специализированного программного обеспечения. Это длительный и трудоемкий процесс, который может занять несколько месяцев. Необходимо учитывать очень много факторов и проводить много расчетов. Мы же предложили использовать методы машинного обучения для создания модели, способной прогнозировать объем добычи нефти и массы хранения CO₂. Мы считаем, что подходы с использованием машинного обучения могут обеспечить более глубокое понимание ключевых факторов, влияющих на процессы повышения нефтеотдачи и хранения CO₂ в пластах, и помочь оптимизировать их производительность», — говорит руководитель исследования, инженер-исследователь Центра Хериот-Ватт ТПУ Шадфар Давуди.
Научный коллектив сконцентрировался на четырех алгоритмах машинного обучения – MLPNN (многослойная персептронная нейронная сеть), ELM (метод экстремального обучения), LSSVM (метод опорных векторов наименьших квадратов) и RBFNN (радиально-базисная нейронная сеть). Все они ранее продемонстрировали свои возможности в моделировании и оптимизации сложных процессов CO₂ -EOR.
Модели обучались на основе синтетических входных данных. С помощью программного обеспечения было проведено более 10 000 итераций моделирования для генерирования необходимого набора данных. В качестве основных параметров, влияющих на конечный прогноз, были выбраны девять переменных – пористость, проницаемость, площадь резервуара, нефтенасыщенность и другие.
«Все четыре модели машинного обучения были разработаны и протестированы на отдельное прогнозирование двух целевых параметров – объема хранения CO₂ и совокупной добычи нефти. Затем был проведен сравнительный анализ. Предиктивная способность каждой модели оценивалась на основе статистических метрик ошибок. В результате было установлено, что алгоритм LSSVM продемонстрировал самые низкие показатели ошибки прогнозирования. В дальнейшем, планируется валидация модели на основе данных с реального месторождения. Кроме того, продолжается работа над улучшением самой модели, путем интеграции различных оптимизационных алгоритмов и гибридного подхода», — добавляет Шадфар Давуди.
Источник: пресс-служба Томского политехнического университета