Skoltech-forskare och deras industrikollegor har hittat ett sätt att använda maskininlärning för att exakt förutsäga bergets värmeledningsförmåga, en avgörande parameter för ökad oljeutvinning. Forskningen, stöds av Lukoil-Engineering LLC, publicerades i Geophysical Journal International .
Bergvärmeledningsförmåga, eller dess förmåga att leda värme, är nyckeln till både att modellera en petroleumbassäng och designa metoder för förbättrad oljeåtervinning (EOR), den så kallade tertiära återvinningen som gör att en oljefältsoperatör kan utvinna betydligt mer råolja än att använda grundläggande metoder. En vanlig EOR-metod är termisk injektion, där oljan i formationen värms upp på olika sätt såsom ånga, och denna metod kräver omfattande kunskap om värmeöverföringsprocesser i en reservoar.
För detta, man skulle behöva mäta bergets värmeledningsförmåga direkt på plats, men detta har visat sig vara en svår uppgift som ännu inte har gett tillfredsställande resultat som kan användas i praktiken. Så forskare och utövare vände sig till indirekta metoder, som härleder bergets värmeledningsförmåga från brunnsloggningsdata som ger en högupplöst bild av vertikala variationer i bergets fysikaliska egenskaper.
"I dag, tre kärnproblem utesluter varje chans att mäta värmeledningsförmåga direkt inom icke-kärnningsintervall. Det är, för det första, den tid som krävs för mätningar:petroleumingenjörer kan inte låta dig ställa brunnen på is under lång tid, eftersom det är ekonomiskt orimligt. För det andra, inducerad konvektion av borrvätska påverkar drastiskt resultaten av mätningarna. Och slutligen, det finns den instabila formen av borrhål, som har att göra med vissa tekniska aspekter av mätningar, " Skoltech doktorand och tidningens första författare Yury Meshalkin säger.
Kända välloggbaserade metoder kan använda regressionsekvationer eller teoretisk modellering, och båda har sina nackdelar att göra med datatillgänglighet och olinjäritet i bergegenskaper. Meshalkin och hans kollegor ställde sju maskininlärningsalgoritmer mot varandra i kapplöpningen för att rekonstruera värmeledningsförmåga från brunnsloggningsdata så exakt som möjligt. De valde också en Lichtenecker-Asaads teoretiska modell som riktmärke för denna jämförelse.
Genom att använda riktiga brunnsloggdata från ett tungoljefält beläget i Timan-Pechora-bassängen i norra Ryssland, forskare fann att bland de sju maskininlärningsalgoritmerna och grundläggande multipel linjär regression, Random Forest gav de mest exakta brunnsloggbaserade förutsägelserna av bergets värmeledningsförmåga, till och med slå den teoretiska modellen.
"Om vi tittar på dagens praktiska behov och befintliga lösningar, Jag skulle säga att vårt bästa maskininlärningsbaserade resultat är mycket exakt. Det är svårt att ge någon kvalitativ bedömning då situationen kan variera och är begränsad till vissa oljefält. Men jag tror att oljeproducenter kan använda sådana indirekta förutsägelser av bergets värmeledningsförmåga i sin EOR-design, " noterar Meshalkin.
Forskare tror att maskininlärningsalgoritmer är ett lovande ramverk för snabba och effektiva förutsägelser av bergets värmeledningsförmåga. Dessa metoder är mer enkla och robusta och kräver inga extra parametrar utanför vanliga brunnsloggdata. Således, de kan "radikalt förbättra resultaten av geotermiska undersökningar, modellering av bassäng- och petroleumsystem och optimering av termiska EOR-metoder, " avslutar tidningen.
