Ученые Томского политеха применили алгоритмы машинного обучения для прогнозирования массы хранения CO2
0
44
Пресс-служба ТПУ Москва, 13 ноя - ИА Neftegaz.RU. Ученые Центра Хериот-Ватт Томского политехнического университета (ТПУ) применили алгоритмы машинного обучения для прогнозирования массы хранения углекислого газа (диоксида углерода, CO2) и объема добычи нефти.
Об этом сообщила пресс-служба Томского политеха.
По сравнению с традиционными методами, алгоритмы помогли сделать процесс прогнозирования менее трудо- и времязатратным.
Также в ТПУ провели сравнительный анализ 4х различных алгоритмов и выявили самый точный из них.
Результаты исследования опубликованы в сентябрьском номере Expert Systems With Applications (Q1, IF: 7.5).
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 (CCS/ CCUS) - 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:
Модель, предложенная политехниками, учитывает большое количество параметров процесса и имеет высокую точность прогноза.
Это позволит упростить и ускорить оценку объектов при подборе резервуаров хранения.
Тезисы руководителя исследования, инженер-исследователя Центра Хериот-Ватт ТПУ Ш. Давуди:
Модели обучались на основе синтетических входных данных.
С помощью программного обеспечения было проведено более 10 тыс. итераций моделирования для генерирования необходимого набора данных.
В качестве основных параметров, влияющих на конечный прогноз, были выбраны 9 переменных пористость, проницаемость, площадь резервуара, нефтенасыщенность и др.
Тезисы Ш. Давуди:
Об этом сообщила пресс-служба Томского политеха.
По сравнению с традиционными методами, алгоритмы помогли сделать процесс прогнозирования менее трудо- и времязатратным.
Также в ТПУ провели сравнительный анализ 4х различных алгоритмов и выявили самый точный из них.
Результаты исследования опубликованы в сентябрьском номере Expert Systems With Applications (Q1, IF: 7.5).
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 (CCS/ CCUS) - 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;
- с течением времени доля свободного газа в пласте уменьшается, так как он переходит в связанное состояние.
Модель, предложенная политехниками, учитывает большое количество параметров процесса и имеет высокую точность прогноза.
Это позволит упростить и ускорить оценку объектов при подборе резервуаров хранения.
Тезисы руководителя исследования, инженер-исследователя Центра Хериот-Ватт ТПУ Ш. Давуди:
- 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.
- MLPNN (многослойная персептронная нейронная сеть),
- ELM (метод экстремального обучения),
- LSSVM (метод опорных векторов наименьших квадратов),
- RBFNN (радиально-базисная нейронная сеть).
Модели обучались на основе синтетических входных данных.
С помощью программного обеспечения было проведено более 10 тыс. итераций моделирования для генерирования необходимого набора данных.
В качестве основных параметров, влияющих на конечный прогноз, были выбраны 9 переменных пористость, проницаемость, площадь резервуара, нефтенасыщенность и др.
Тезисы Ш. Давуди:
- все 4 модели машинного обучения были разработаны и протестированы на отдельное прогнозирование 2х 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.