使用先进的白盒和黑盒机器学习技术建模原油热解过程
Fahimeh Hadavimoghaddam1,2, Alexei Rozhenko3, Mohammad-Reza Mohammadi4
1Key Laboratory of Continental Shale Hydrocarbon Accumulation and Efficient Development, Ministry of Education, Northeast Petroleum University, Daqing, 163318, China.
Scientific reports
|December 19, 2023
概括
使用机器学习准确建模原油热解中的燃料沉积,预测现场燃烧增强石油回收 (ISC EOR) 的结果. 在热解过程中,XGBoost在估计剩余原油的精度上表现出卓越的准确性.
科学领域:
- 石油工程是石油工程中的一个.
- 化学工程是化学工程的重要组成部分.
- 计算科学 计算科学
背景情况:
- 在原油热解过程中准确预测燃料沉积是优化现场燃烧增强石油回收 (ISC EOR) 的关键.
- 现有的模型可能缺乏在复杂的EOR场景中有效应用所需的精度.
- 了解热解行为是管理燃烧前线和最大限度地回收石油的关键.
研究的目的:
- 开发和比较机器学习模型,精确预测原油热解过程中燃料沉积的情况.
- 确定影响剩余原油形成的最有影响力的参数.
- 为改进ISC EOR战略提供一个用于快速估计原油残留量的工具.
主要方法:
- 利用了来自13个不同的原油样本的2071个实验热重力测量分析 (TGA) 数据集.
- 应用机器学习技术:极端梯度增强 (XGBoost),高斯过程回归 (GPR),分类梯度增强 (CatBoost) 和遗传编程 (GP).
- 进行了灵敏度分析,以确定输入参数对燃料沉积的影响.
主要成果:
- XGBoost模型实现了最高的准确性,平均绝对百分比误差 (MAPE) 为0.7796%和R2为0.9999.
- 在估计剩余原油方面,GPR,CatBoost和GP模型也表现出强的表现.
- 温度和青含量被确定为影响热解和燃料沉积的最重要因素.
结论:
- 机器学习,特别是XGBoost,可以非常准确地预测原油热解过程中燃料沉积的情况.
- 输入参数,如温度,青,树脂,石油API重力和加热速率显著影响燃料沉积.
- 开发的模型为提高ISC EOR操作的有效性提供了有价值的见解.
