Инженерная практика
Российский нефтегазовый журнал о технологиях и оборудовании
+7 (903) 580-85-63 +7 (495) 371-01-74 info@glavteh.ru
Telegram
  • Главная
  • Новость
  • Ученые разработали методы машинного обучения улучшающие прогноз нефтеотдачи при подземном хранении CO₂

Пресс-релиз

Ученые разработали методы машинного обучения улучшающие прогноз нефтеотдачи при подземном хранении CO₂

14.11.2024

Ученые Центра Хериот-Ватт Томского политехнического университета применили алгоритмы машинного обучения для прогнозирования массы хранения CO₂ (углекислого газа) и объема добычи нефти. 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.

Ученые и инженеры Центра Хериот-Ватт ТПУ активно участвуют в проектах по разработке инновационных подходов в области применения AI для решения сложных задач нефтегазовой отрасли. Проекты Центра, использующие искусственный интеллект, успешно внедряются в реальное производство и получают высокую оценку индустриальных партнеров.

Благодаря накопленному практическому опыту и знаниям, 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.

Все 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.

Исследование, проведенное учеными ТПУ вместе с коллегами, помогает устранить существующие пробелы в проектах, связанных с использованием методов машинного обучения в моделировании процессов CO₂ -EOR. Методология и анализ, представленные в исследовании, могут стать основой для более эффективных и экологичных проектов в области CO₂ -EOR.

Результаты опубликованы в сентябрьском номере Expert Systems With Applications (Q1, IF: 7.5).

Источник: Пермский Национальный Исследовательский Политехнический Университет
Ближайшее совещание
Поддержание пластового давления, Разработка месторождений
Цифра – 2024
Производсвенно - техническое Совещание

ЦИФРА ‘2024. Цифровые технологии для решения задач нефтегазодобычи. Новые разработки и лучшие практики.

20 ноября 2024 года, г. Казань
ООО «Инженерная практика» приглашает Вас и Ваших коллег принять участие в отраслевом техническом совещании «ЦИФРА ‘2024. Цифровые технологии для решения задач нефтегазодобычи. Новые разработки и лучшие практики». Мероприятие будет проходить в очном формате в зале гостиницы «Мираж» города Казань 20 ноября 2024 года. В рамках совещания запланированы 4 сессии, которые будут идти последовательно.
Свежий выпуск: № 05/2024 Инженерная практика №05/2024 Свежие публикации Эффективные решения в области компаундов для трубной промышленности КОЛОЧКОВ Адам Евгеньевич, ООО «ГЕНЕЗИС» Повышение надежности работы запорной арматуры, стойкой к сероводородсодержащим средам КЛИМЕНКО Инна Сергеевна, ПАО «Газпром нефть»СВИНЦОВ Виктор Анатольевич, ПАО «Газпром нефть»ГАЙНУЛЛИН Булат Нурфаизович, ПАО «Газпром нефть»