基于机器学习的对Panke油田页岩油中的水平井的压裂参数优化
Weirong Li1, Tianyang Zhang2, Xinju Liu3,4
1Xi'an Shiyou University, Xi'an, 710065, China. weirong.li@xsyu.edu.cn.
Scientific reports
|March 13, 2024
概括
本研究介绍了一种机器学习和粒子群优化工作流程,用于预测石油和天然气生产,并优化多阶段断裂水平井的断裂参数. ML-PSO模型增强了对紧密水库开发的决策.
科学领域:
- 石油工程是石油工程中的一个.
- 机器学习应用 机器学习应用
- 储水池优化 储水池的优化
背景情况:
- 多阶段断层水平井 (NFHWs) 对于最大限度地提高石油和天然气储备的产量至关重要.
- 优化压裂参数设计对于提高井生产率和经济回报至关重要.
- 准确的生产预测对于有效的开发策略和规划至关重要.
研究的目的:
- 开发一种集成机器学习 (ML) 和粒子群优化 (PSO) 的新型工作流程,用于生产预测和压缩水库中断裂参数优化.
- 建立一个数据驱动的方法来最大限度地提高净现值 (NPV) 和优化NFHW的断裂设计.
- 克服当前预测方法的局限性,这些方法努力平衡经济回报与运营商偏好.
主要方法:
- 进行了10,000次数值模拟实验,以生成用于培训和验证的全面数据集.
- 开发和评估了生产预测的五个ML模型,选择随机森林 (RF) 作为表现最好的模型.
- 将验证的射频模型与PSO集成,以优化断裂参数以最大化NPV,创建ML-PSO混合模型.
主要成果:
- 随机森林模型在将特征变量映射到生产产量方面表现出卓越的性能.
- 混合ML-PSO模型有效优化压裂参数,以最大限度地提高净现值.
- 工作流提供准确的实时生产预测,并作为优化断裂设计的工具.
结论:
- 拟议的ML-PSO工作流提供了一种高效准确的方法,用于预测生产和优化紧密水库中NFHW的断裂参数.
- 这种方法促进了数据驱动的决策,改善了石油和天然气开发的经济成果.
- 该研究为石油和天然气行业的先进预测模型提供了基础,特别是对于紧密的形成.
更多相关视频
07:23Experimental Study of the Relationship Between Particle Size and Methane Sorption Capacity in Shale
Published on: August 2, 2018
7.5K
10:06Microfluidic Fabrication Techniques for High-Pressure Testing of Microscale Supercritical CO2 Foam Transport in Fractured Unconventional Reservoirs
Published on: July 2, 2020
6.8K
