基于机器学习的原油-界面张力的估计
Safia Obaidur Rab1,2, Subhash Chandra3, Abhinav Kumar4,5,6
1Central Labs, King Khalid University, P.O. Box 960, AlQura'a, Abha, Saudi Arabia.
Scientific reports
|January 6, 2025
概括
使用机器学习模型预测和原油之间的界面张力 (IFT) 是提高石油回收的关键. 随机森林在预测原油-IFT在真实水库条件下表现出最高准确度.
科学领域:
- 石油工程是石油工程中的一个.
- 计算科学 计算科学
背景情况:
- 精确的和原油之间的界面张力 (IFT) 预测对于优化在油库中以为基础的气体注入至关重要.
- 现有的模型经常使用合成油,限制了它们对真正原油系统的适用性.
研究的目的:
- 开发精确的数据驱动模型,以使用真实原油样本预测原油-IFT.
- 为了评估这项预测任务的八种机器学习方法的性能.
主要方法:
- 使用了八个机器学习算法:决策树,AdaBoost,随机森林,K-最近邻居,集体学习,支持矢量机器,卷积神经网络和多层感知器人工神经网络.
- 经过训练和验证的模型使用实验数据从真实原油样本和评估性能使用统计指数和图形方法.
主要成果:
- 所有开发的模型都显示出适合预测原油-IFT.
- 灵敏度分析显示,压力,温度和原油API对IFT产生负面影响,压力是影响力最大的因素.
- 随机森林模型实现了最高的准确性,R平方为0.959,MSE为1.65,AARE为6.85%在未见的数据上.
结论:
- 随机森林是预测原油-IFT的最准确和最可靠的模型.
- 开发的模型作为一种可访问的工具,用于优化增强的石油回收和油库调查.


