Forskere bruger maskinlæring til at hjælpe olieproduktionen

Skoltech-forskere og deres industrikolleger har fundet en måde at bruge maskinlæring til nøjagtigt at forudsige bjergets termiske ledningsevne, en afgørende parameter for øget olieindvinding. Forskningen, støttet af Lukoil-Engineering LLC, blev offentliggjort i Geophysical Journal International .

Bergvarmeledningsevne, eller dets evne til at lede varme, er nøglen til både at modellere et petroleumsbassin og designe metoder til forbedret olieudvinding (EOR), den såkaldte tertiære indvinding, der giver en oliefeltsoperatør mulighed for at udvinde væsentligt mere råolie end ved at bruge grundlæggende metoder. En almindelig EOR-metode er termisk injektion, hvor olien i formationen opvarmes med forskellige midler såsom damp, og denne metode kræver omfattende viden om varmeoverførselsprocesser i et reservoir.

For det, man bliver nødt til at måle bjergets varmeledningsevne direkte in situ, men det har vist sig at være en svær opgave, som endnu ikke har givet tilfredsstillende resultater, der kan bruges i praksis. Så videnskabsmænd og praktikere vendte sig til indirekte metoder, som udleder bjergets termiske ledningsevne fra brøndlogningsdata, der giver et billede i høj opløsning af vertikale variationer i bjergets fysiske egenskaber.

"I dag, tre kerneproblemer udelukker enhver chance for at måle termisk ledningsevne direkte inden for intervaller uden kerne. Det er, for det første, den tid, der kræves til målinger:petroleumsingeniører kan ikke lade dig sætte brønden i bero i lang tid, da det er økonomisk urimeligt. For det andet, induceret konvektion af borevæske påvirker resultaterne af målingerne drastisk. Og endelig, der er den ustabile form af boringer, som har at gøre med nogle tekniske aspekter af målinger, " siger Skoltech Ph.D.-studerende og avisens første forfatter Yury Meshalkin.

Kendte vellogbaserede metoder kan bruge regressionsligninger eller teoretisk modellering, og begge har deres ulemper at gøre med datatilgængelighed og ikke-linearitet i stenegenskaber. Meshalkin og hans kolleger stillede syv maskinlæringsalgoritmer op mod hinanden i kapløbet om at rekonstruere termisk ledningsevne fra brøndlogningsdata så nøjagtigt som muligt. De valgte også en Lichtenecker-Asaads teoretiske model som benchmark for denne sammenligning.

Ved at bruge rigtige brøndlogdata fra et tungt oliefelt i Timan-Pechora-bassinet i det nordlige Rusland, forskere fandt ud af, at blandt de syv maskinlæringsalgoritmer og grundlæggende multipel lineær regression, Random Forest leverede de mest nøjagtige brøndlogbaserede forudsigelser af bjergets varmeledningsevne, endda slå den teoretiske model.

"Hvis vi ser på nutidens praktiske behov og eksisterende løsninger, Jeg vil sige, at vores bedste maskinlæringsbaserede resultat er meget præcist. Det er vanskeligt at give en kvalitativ vurdering, da situationen kan variere og er begrænset til visse oliefelter. Men jeg tror på, at olieproducenter kan bruge sådanne indirekte forudsigelser af bjergets termiske ledningsevne i deres EOR-design, " bemærker Meshalkin.

Forskere mener, at maskinlæringsalgoritmer er en lovende ramme for hurtige og effektive forudsigelser af bjergets termiske ledningsevne. Disse metoder er mere ligetil og robuste og kræver ingen ekstra parametre uden for almindelige brøndlogdata. Dermed, de kan radikalt forbedre resultaterne af geotermiske undersøgelser, bassin- og petroleumssystemmodellering og optimering af termiske EOR-metoder, " konkluderer avisen.