Реалізація рішення задачі витіснення нафти з використанням класифікаторів машинного навчання і нейронних мереж

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2021.241858

Ключові слова:

модель Баклея-Леверетта, нейронна мережа, машинне навчання, архітектура, показник, навчання

Анотація

Задача витіснення нафти була вирішена за допомогою нейронних мереж і класифікаторів машинного навчання. Була обрана модель Баклея-Леверетта, що описує процес витіснення нафти водою. Вона складається з рівняння безперервності нафтової, водної фаз і закону Дарсі. Задача полягає в оптимізації проблеми витіснення нафти. Оптимізація здійснюватиметься на трьох рівнях: векторизація обчислень; реалізація класичних алгоритмів; реалізація алгоритму з використанням нейронних мереж. Особливістю запропонованого в роботі методу є визначення методу з високою точністю і найменшими похибками шляхом порівняння результатів класифікаторів машинного навчання і типів нейронних мереж. Дана дослідницька робота також є однією з перших робіт, в якій було проведено порівняння класифікаторів машинного навчання і нейронних і рекурентних нейронних мереж. Класифікація проводилася відповідно до трьох алгоритмів класифікації, таких як дерево рішень, метод опорних векторів (SVM) і градієнтний бустинг. В результаті дослідження класифікатор градієнтного бустингу і нейронна мережа показали високу точність, 99,99 % і 97,4 % відповідно. Рекурентна нейронна мережа навчалася швидше за інших. Класифікатор SVM має найнижчий показник точності. Для досягнення цієї мети був створений набір даних, що містить понад 67000 даних для класу 10. Ці дані важливі для вирішення задач витіснення нафти в пористих середовищах. Запропонований метод забезпечує простий і витончений спосіб впровадження знань про нафту в алгоритми машинного навчання. Таким чином, усуваються два найбільш істотних недоліки алгоритмів машинного навчання: необхідність у великих наборах даних і робастність екстраполяції. Представлені принципи можуть бути узагальнені незліченною кількістю способів у майбутньому і повинні призвести до створення нового класу алгоритмів для вирішення як прямих, так і зворотних задач

Спонсор дослідження

  • The research is funded by a grant from the Science Committee of the Ministry of Education and Science of the Republic of Kazakhstan under the project No. AP09563558

Біографії авторів

Beimbet Daribayev, Al-Farabi Kazakh National University

PhD

Department of Computer Science

Aksultan Mukhanbet, Al-Farabi Kazakh National University

Master of Engineering Science

Department of Computer Science

Yedil Nurakhov, Al-Farabi Kazakh National University

Master of Computer Science

Department of Computer Science

Timur Imankulov, Al-Farabi Kazakh National University

PhD

Department of Computer Science

Посилання

  1. De Bézenac, E., Pajot, A., Gallinari, P. (2019). Deep learning for physical processes: incorporating prior scientific knowledge. Journal of Statistical Mechanics: Theory and Experiment, 2019 (12), 124009. doi: https://doi.org/10.1088/1742-5468/ab3195
  2. Buckley, S. E., Leverett, M. C. (1942). Mechanism of Fluid Displacement in Sands. Transactions of the AIME, 146 (01), 107–116. doi: https://doi.org/10.2118/942107-g
  3. Almajid, M. M., Abu-Al-Saud, M. O. (2022). Prediction of porous media fluid flow using physics informed neural networks. Journal of Petroleum Science and Engineering, 208, 109205. doi: https://doi.org/10.1016/j.petrol.2021.109205
  4. Muradkhanli, L. (2018). Neural Networks for Prediction of Oil Production. IFAC-PapersOnLine, 51 (30), 415–417. doi: https://doi.org/10.1016/j.ifacol.2018.11.339
  5. Al-Shabandar, R., Jaddoa, A., Liatsis, P., Hussain, A. J. (2021). A deep gated recurrent neural network for petroleum production forecasting. Machine Learning with Applications, 3, 100013. doi: https://doi.org/10.1016/j.mlwa.2020.100013
  6. Vo Thanh, H., Sugai, Y., Sasaki, K. (2020). Application of artificial neural network for predicting the performance of CO2 enhanced oil recovery and storage in residual oil zones. Scientific Reports, 10 (1). doi: https://doi.org/10.1038/s41598-020-73931-2
  7. Hu, C., Wang, F., Ai, C., Wang, X., Wang, Y. (2021). An Improved New Convolutional Neural Network Method for Inverting the Pore Pressure in Oil Reservoir by Surface Vertical Deformation. Lithosphere, 2021. doi: https://doi.org/10.2113/2021/5597238
  8. Nikravesh, M., Kovscek, A. R., Murer, A. S., Patzek, T. W. (1996). Neural Networks for Field-Wise Waterflood Management in Low Permeability, Fractured Oil Reservoirs. All Days. doi: https://doi.org/10.2118/35721-ms
  9. Fraces, C. G., Papaioannou, A., Tchelepi, H. (2020). Physics informed deep learning for transport in porous media. Buckley Leverett problem. arXiv.org. Available at: https://arxiv.org/pdf/2001.05172.pdf
  10. Gasmi, C. F., Tchelepi, H. (2021). Physics informed deep learning for flow and transport in porous media. arXiv.org. Available at: https://arxiv.org/pdf/2104.02629.pdf
  11. Kovenya, V. M., Chirkov, D. V. (2013). Metody konechnyh raznostey i konechnyh obemov dlya resheniya zadach matematicheskoy fiziki. Novosibirsk: NGU, 16–27. Available at: http://www.ict.nsc.ru/matmod/files/textbooks/KovenyaChirkov.pdf
  12. Daribayev, B., Akhmed-Zaki, D., Imankulov, T., Nurakhov, Y., Kenzhebek, Y. (2020). Using Machine Learning Methods for Oil Recovery Prediction. ECMOR XVII. doi: https://doi.org/10.3997/2214-4609.202035233
  13. Charbuty, B., Abdulazeez, A. (2021). Classification Based on Decision Tree Algorithm for Machine Learning. Journal of Applied Science and Technology Trends, 2 (01), 20–28. doi: https://doi.org/10.38094/jastt20165
  14. Cervantes, J., Garcia-Lamont, F., Rodríguez-Mazahua, L., Lopez, A. (2020). A comprehensive survey on support vector machine classification: Applications, challenges and trends. Neurocomputing, 408, 189–215. doi: https://doi.org/10.1016/j.neucom.2019.10.118
  15. Babajide Mustapha, I., Saeed, F. (2016). Bioactive Molecule Prediction Using Extreme Gradient Boosting. Molecules, 21 (8), 983. doi: https://doi.org/10.3390/molecules21080983
  16. Cordoni, F. (2020). A comparison of modern deep neural network architectures for energy spot price forecasting. Digital Finance, 2 (3-4), 189–210. doi: https://doi.org/10.1007/s42521-020-00022-2
  17. Yacouby, R., Axman, D. (2020). Probabilistic Extension of Precision, Recall, and F1 Score for More Thorough Evaluation of Classification Models. Proceedings of the First Workshop on Evaluation and Comparison of NLP Systems. doi: https://doi.org/10.18653/v1/2020.eval4nlp-1.9
  18. Janssens, A. C. J. W., Martens, F. K. (2020). Reflection on modern methods: Revisiting the area under the ROC Curve. International Journal of Epidemiology, 49 (4), 1397–1403. doi: https://doi.org/10.1093/ije/dyz274
  19. Gupta, N., Nigam, S. (2020). Crude Oil Price Prediction using Artificial Neural Network. Procedia Computer Science, 170, 642–647. doi: https://doi.org/10.1016/j.procs.2020.03.136
  20. Li, W., Kiaghadi, A., Dawson, C. (2020). Exploring the best sequence LSTM modeling architecture for flood prediction. Neural Computing and Applications, 33 (11), 5571–5580. doi: https://doi.org/10.1007/s00521-020-05334-3

##submission.downloads##

Опубліковано

2021-10-29

Як цитувати

Daribayev, B., Mukhanbet, A., Nurakhov, Y., & Imankulov, T. (2021). Реалізація рішення задачі витіснення нафти з використанням класифікаторів машинного навчання і нейронних мереж. Eastern-European Journal of Enterprise Technologies, 5(4 (113), 55–63. https://doi.org/10.15587/1729-4061.2021.241858

Номер

Том 5 № 4 (113) (2021): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2021 Beimbet Daribayev, Aksultan Mukhanbet, Yedil Nurakhov, Timur Imankulov

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.