模拟核心洪水与预测的石油和水相对透性的模拟,使用袋装,提升和堆叠机器学习技术
Ragheed Alali1, Kazunori Abe1, Hikari Fujii1
1Department of Earth Resource Engineering and Environmental Science, Graduate School of International Resource Sciences, Akita University, 1-1 Tegata Gakuen-Machi, Akita 010-8502, Japan.
本研究引入了简单的机器学习模型,用于预测石油和水的相对透性,用于石油储水模拟. 这些准确的,可概括的模型为耗时的经验测量提供了一个可行的替代方案.
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
- 储水池模拟器 储水池模拟器
背景情况:
- 油库模拟对于油田开发和管理至关重要.
- 对相对透度曲线的实证测量是劳动密集型和耗时的.
- 现有的用于预测的机器学习模型可能是复杂的实施.
研究的目的:
- 开发和验证用于预测石油和水相对透性的简单的监督机器学习模型.
- 评估这些预测模型的准确性和通用性.
- 为了证明预测透率在模拟核心洪水实验中的实用性.
主要方法:
- 使用了1000多个数据点的数据集.
- 采用包装,提升和堆叠技术,包括随机森林,自适应提升和线性回归.
- 开发了独立的模型来预测石油和水的相对透性.
- 进行了k倍交叉验证,用于模型评估.
主要成果:
- 模型表现出高精度,具有高的确定系数和小的平均平方误差.
- K-fold交叉验证指标与模型评估指标密切匹配,表明了良好的概括性和最小的过拟合.
- 模拟的核心洪水实验显示,与实验结果的高历史匹配质量指数为95%.
结论:
- 开发的机器学习模型提供了对相对透性的准确和可概括的预测.
- 这些模型作为一个实用和高效的替代方案,在水库模拟实证测量.
- 该研究验证了机器学习预测用于油田开发和管理的使用.
更多相关视频
08:02Reservoir Condition Pore-scale Imaging of Multiple Fluid Phases Using X-ray Microtomography
Published on: February 25, 2015
12:18Pore-scale Imaging and Characterization of Hydrocarbon Reservoir Rock Wettability at Subsurface Conditions Using X-ray Microtomography
Published on: October 21, 2018
相关概念视频
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Modeling and Similitude
Typical Model Studies
Extraction: Advanced Methods
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
Design Example: Creating a Hydraulic Model of a Dam Spillway
