预测石油工程应用Poisson比率:机器学习方法
Fahd Saeed Alakbari1, Syed Mohammad Mahmood2,3, Mohammed Abdalla Ayoub4
1Centre of Advanced Process Safety (CAPS), Universiti Teknologi PETRONAS, Seri Iskandar, Perak, Malaysia.
这项研究开发了一种准确的高斯过程回归 (GPR) 模型来预测静态波桑回归.
科学领域:
- 石油地质科学 石油地质科学
- 地质力学 地质力学
- 数据驱动的建模数据驱动的建模
背景情况:
- 静态波桑比率 (νs) 对于石油工程中的断裂压力 (FP) 计算至关重要.
- 实验室测定nS是耗时且昂贵的,因此需要使用替代方法.
- 现有的数据驱动模型缺乏对关键应用所需的准确性和物理关系洞察力.
研究的目的:
- 开发一个可靠和准确的数据驱动模型来预测静态波桑比率 (νs).
- 通过将物理行为与数据驱动的见解相结合来增强模型的稳定性.
- 评估改进的ns预测对断裂压力 (FP) 确定精度的影响.
主要方法:
- 使用大型数据集 (1691个样本) 开发和评估了19种常见的机器学习方法.
- 选择并增强了表现最好的模型,高斯过程回归 (GPR),并进行了趋势分析.
- 将增强的 GPR 模型与已公布的方法进行了比较,用于 νs 预测和随后的 FP 计算.
主要成果:
- 改进的GPR模型实现了0.95的确定系数 (R2) 和2.73%的平均绝对百分比相对误差 (AAPRE).
- 通过交叉绘图和错误分析证实,GPR在所有实际范围中展示了准确的输入-输出关系和卓越的精度.
- GPR模型显著降低了断裂压力 (FP) 测定中的残余误差,从87%降至26%.
结论:
- 提议的增强GPR模型提供了一个非常准确和强大的方法来预测静态波桑比率 (νs).
- 这种改进的 νs 预测能力导致断裂压力 (FP) 计算的准确性大幅增加.
- GPR模型捕捉物理趋势的能力使其成为关键石油工程应用的宝贵工具.
更多相关视频
12:18Pore-scale Imaging and Characterization of Hydrocarbon Reservoir Rock Wettability at Subsurface Conditions Using X-ray Microtomography
Published on: October 21, 2018
08:38Microfluidic Devices for Characterizing Pore-scale Event Processes in Porous Media for Oil Recovery Applications
Published on: January 16, 2018
相关概念视频
Poisson's Ratio
Relation between Poisson's ratio, Modulus of Elasticity and Modulus of Rigidity
Poisson Probability Distribution
The...
Design Example: Flow of Oil Through Circular Pipes
Major Losses in Pipes
Fluid flow can be classified as laminar or turbulent, primarily based on the Reynolds number. This dimensionless number reflects the relative influence of inertial to...
Mechanistic Models: Compartment Models in Individual and Population Analysis
