シェールオイル水平坑井における畳み込みニューラルネットワーク・双方向長短期記憶ニューラルネットワークモデルを用いた生産量予測

科学分野:

• 石油工学
• エネルギー分野における人工知能
• 非在来型資源

背景:

• シェールオイルは世界のエネルギー安全保障にとって重要ですが、貯留層の複雑さにより予測が困難です。
• 従来の予測方法は、シェール貯留層における低孔隙率/低浸透率および複雑なフラクチャーネットワークに対処するのに苦労しています。
• 正確な生産量予測は、非在来型石油・ガス開発の最適化に不可欠です。

研究 の 目的:

• シェールオイル水平坑井のための新規かつ正確な生産量予測モデルを開発すること。
• 空間的特徴抽出のために畳み込みニューラルネットワーク（CNN）を、時間的依存性のために双方向長短期記憶（BiLSTM）ネットワークを統合すること。
• 実際の生産データを使用して提案されたCNN-BiLSTMモデルを検証すること。

主な方法:

• シェールオイル生産量予測のためのハイブリッドCNN-BiLSTMモデルを開発しました。
• オルドス盆地の長7層の水平坑井からの生産データを使用して検証しました。
• CNN-BiLSTMモデルを、サポートベクター回帰（SVR）、ランダムフォレスト（RF）、XGBoost、LSTM、およびBiLSTMと比較しました。

主要な成果:

• CNN-BiLSTMモデルは、ベンチマークされたすべてのアルゴリズムよりも優れた性能を示しました。
• 二乗平均平方根誤差（RMSE）0.3103、平均絶対誤差（MAE）0.1731を達成しました。
• 平均絶対パーセント誤差（MAPE）3.2333%、決定係数（R²）0.8856を得ました。

結論:

• CNN-BiLSTMモデルは、シェールオイル水平坑井の生産量予測に対して効果的かつ堅牢なソリューションを提供します。
• モデルの相乗的なアプローチは、複雑な非在来型貯留層の予測精度を向上させます。
• 本研究の結果は、非在来型石油・ガス資源の開発に貴重な洞察を提供します。