Використання алгоритмів регресії для прогнозування видобутку нафти

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2022.253886

Ключові слова:

машинне навчання, метод поліноміальної регресії, підвищення нафтовіддачі, регуляризація лассо

Анотація

У даній статті представлена робота з прогнозування видобутку нафти з використанням методів машинного навчання. В якості методу машинного навчання був використаний алгоритм множинної лінійної регресії з поліноміальними властивостями. Алгоритми регресії є зручними та дієвими методами прогнозування видобутку нафти за допомогою підходу на основі даних. Отримано синтетичний набір даних з використанням математичної моделі Баклі-Леверетта, яка використовується для розрахунку гідродинаміки та визначення розподілу насиченості у задачах нафтовидобутку. Були обрані різні комбінації параметрів задачі нафтовидобутку, де в якості вхідних параметрів для машинного навчання були взяті пористість, в'язкість нафтової фази та абсолютна проникність породи, а в якості вихідного параметра було вибрано значення коефіцієнта вилучення нафти. Для тестування алгоритмів множинної регресії було використано понад 400 тисяч синтетичних даних. Для оцінки якості алгоритмів регресії використовувалися показники середньоквадратичної помилки і коефіцієнт детермінації. Було виявлено, що через недонавчання лінійна регресія не охоплює всі закономірності в даних. Було розгорнуто і протестовано різні ступені поліноміальної регресії, а також було виявлено, що для наших синтетичних даних модель квадратичного полінома досить добре навчається і відмінно прогнозує значення коефіцієнта вилучення нафти. Для вирішення проблеми перенавчання була застосована L1-регуляризація, відома як метод регресії лассо. Для моделі квадратичної поліноміальної регресії коефіцієнт детермінації склав 0,96, що є досить хорошим результатом для тестових даних. Таким чином, передбачається, що розглянуті в роботі методи машинного навчання на основі даних можуть бути корисними для прогнозування коефіцієнта вилучення нафти з використанням практичних даних по нафтовим родовищам на етапах видобутку

Спонсор дослідження

  • This research was funded by the Science Committee of the Ministry of Education and Science of the Republic of Kazakhstan (Grant No. AP09260564).

Біографії авторів

Yerzhan Kenzhebek, Al-Farabi Kazakh National University

Master of Science

Department of Computer Science

Timur Imankulov, Al-Farabi Kazakh National University

PhD

Department of Computer Science

Darkhan Akhmed-Zaki, Astana IT University

PhD, Rector

Beimbet Daribayev, Al-Farabi Kazakh National University

PhD, Head of Department

Department of Informatics

Посилання

  1. Krasnov, F., Glavnov, N., Sitnikov, A. (2017). A Machine Learning Approach to Enhanced Oil Recovery Prediction. Analysis of Images, Social Networks and Texts, 164–171. doi: https://doi.org/10.1007/978-3-319-73013-4_15
  2. Guo, Z., Reynolds, A. C., Zhao, H. (2017). A Physics-Based Data-Driven Model for History-Matching, Prediction and Characterization of Waterflooding Performance. Day 3 Wed, February 22, 2017. doi: https://doi.org/10.2118/182660-ms
  3. Saberi, H., Esmaeilnezhad, E., Choi, H. J. (2021). Artificial Neural Network to Forecast Enhanced Oil Recovery Using Hydrolyzed Polyacrylamide in Sandstone and Carbonate Reservoirs. Polymers, 13 (16), 2606. doi: https://doi.org/10.3390/polym13162606
  4. 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
  5. Koperna, G. J., Melzer, L. S., Kuuskraa, V. A. (2006). Recovery of Oil Resources From the Residual and Transitional Oil Zones of the Permian Basin. All Days. doi: https://doi.org/10.2118/102972-ms
  6. Cheraghi, Y., Kord, S., Mashayekhizadeh, V. (2021). Application of machine learning techniques for selecting the most suitable enhanced oil recovery method; challenges and opportunities. Journal of Petroleum Science and Engineering, 205, 108761. doi: https://doi.org/10.1016/j.petrol.2021.108761
  7. Ahmadi, M. A., Soleimani, R., Lee, M., Kashiwao, T., Bahadori, A. (2015). Determination of oil well production performance using artificial neural network (ANN) linked to the particle swarm optimization (PSO) tool. Petroleum, 1 (2), 118–132. doi: https://doi.org/10.1016/j.petlm.2015.06.004
  8. Makhotin, I., Orlov, D., Koroteev, D., Burnaev, E., Karapetyan, A., Antonenko, D. (2021). Machine learning for recovery factor estimation of an oil reservoir: A tool for de-risking at a hydrocarbon asset evaluation. Petroleum. doi: https://doi.org/10.1016/j.petlm.2021.11.005
  9. Aliyuda, K., Howell, J. (2019). Machine-learning algorithm for estimating oil-recovery factor using a combination of engineering and stratigraphic dependent parameters. Interpretation, 7 (3), SE151–SE159. doi: https://doi.org/10.1190/int-2018-0211.1
  10. Erofeev, A., Orlov, D., Ryzhov, A., Koroteev, D. (2019). Prediction of Porosity and Permeability Alteration Based on Machine Learning Algorithms. Transport in Porous Media, 128 (2), 677–700. doi: https://doi.org/10.1007/s11242-019-01265-3
  11. Mahmoud, A., Elkatatny, S., Chen, W., Abdulraheem, A. (2019). Estimation of Oil Recovery Factor for Water Drive Sandy Reservoirs through Applications of Artificial Intelligence. Energies, 12 (19), 3671. doi: https://doi.org/10.3390/en12193671
  12. Ristanto, T., Horne, R. (2018). Machine Learning Applied to Multiphase Production Problems. Tita Ristanto. Available at: https://www.researchgate.net/publication/327977359_Machine_Learning_Applied_to_Multiphase_Production_Problems
  13. Liu, Y., Horne, R. N. (2013). Interpreting Pressure and Flow Rate Data from Permanent Downhole Gauges Using Convolution-Kernel-Based Data Mining Approaches. All Days. doi: https://doi.org/10.2118/165346-ms
  14. Liu, Y., Horne, R. N. (2013). Interpreting Pressure and Flow Rate Data from Permanent Downhole Gauges with Convolution-Kernel-Based Data Mining Approaches. Day 2 Tue, October 01, 2013. doi: https://doi.org/10.2118/166440-ms
  15. Tian, C., Horne, R. N. (2019). Applying Machine-Learning Techniques To Interpret Flow-Rate, Pressure, and Temperature Data From Permanent Downhole Gauges. SPE Reservoir Evaluation & Engineering, 22 (02), 386–401. doi: https://doi.org/10.2118/174034-pa
  16. Cao, Q., Banerjee, R., Gupta, S., Li, J., Zhou, W., Jeyachandra, B. (2016). Data Driven Production Forecasting Using Machine Learning. Day 2 Thu, June 02, 2016. doi: https://doi.org/10.2118/180984-ms
  17. Chen, S. (2019). Application of Machine Learning Methods to Predict Well Productivity in Montney and Duvernay. University of Calgary. Available at: https://higherlogicdownload.s3.amazonaws.com/SPE/5fc0079d-67a5-4dd9-a56f-190534ef5d3d/UploadedImages/2019_04_16_ML_SPE_Presentation_Revised.pdf

##submission.downloads##

Опубліковано

2022-04-30

Як цитувати

Kenzhebek, Y., Imankulov, T., Akhmed-Zaki, D. ., & Daribayev, B. (2022). Використання алгоритмів регресії для прогнозування видобутку нафти. Eastern-European Journal of Enterprise Technologies, 2(2 (116), 69–75. https://doi.org/10.15587/1729-4061.2022.253886

Номер

Том 2 № 2 (116) (2022): Інформаційні технології. Системи управління в промисловості

Розділ

Системи управління в промисловості

Ліцензія

Авторське право (c) 2022 Yerzhan Kenzhebek, Timur Imankulov, Darkhan Akhmed-Zaki, Beimbet Daribayev

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.