用人工神经网络的力量预测希腊油田的水和度

科学领域:

• 石油地质科学 石油地质科学
• 人工智能在水库工程中的应用
• 石化物理分析的分析.

背景情况:

• 精确的水和度对于碳化合物体积计算,净工资定义和井完成设计至关重要.
• 传统的石化物理模型往往在形形成中难以准确,并且在依赖核心分析时耗时/昂贵.
• 现有的方法可能导致不良的水库开发决策,并由于不准确而减少碳化合物回收.

研究的目的:

• 用人工神经网络 (ANN) 开发一种新的经验方程来预测水和.
• 为了克服传统石化物理模型在形形成中的局限性.
• 提供一个成本效益高且准确的方法,用于在水库中连续测定水和度.

主要方法:

• 一个人工神经网络 (ANN) 模型使用来自希腊Epsilon Field的334个数据点被开发和优化.
• 该模型在252个数据集上进行了训练,其中包括页岩体积,深度电阻,多孔性和透性.
• 从优化ANN模型的权重和偏差中得出一个经验方程.

主要成果:

• 在培训过程中,ANN模型实现了0.90%的平均绝对百分比误差 (AAPE).
• 导出的经验方程预测了测试数据集上的AAPE为1.08%的水和.
• 新的相关性表明,与传统方法相比,水和度预测的精度提高了.

结论:

• 开发的经验方程为水和度估计提供了一个高度准确和具有成本效益的方法.
• 这种方法可实现连续的水和概况,大大帮助油田管理和碳化合物勘探.
• 该研究强调了ANN在改进石化物理分析和水库表征方面的潜力.