使用机器学习模型进行丹聚合物泛滥的性能调查,以增强石油回收,使用机器学习模型
Seyed Hossein Rezaei1, James J Sheng2, Ehsan Esmaeilnezhad3
1Department of Petroleum Engineering, Hakim Sabzevari University, Sabzevar, Iran.
Scientific reports
|November 26, 2025
概括
机器学习模型预测了用于增强石油回收 (EOR) 的香糖聚合物泛滥成功. 这种具有成本效益的工具有助于石油工程师评估水库可行性,减少了对广泛实验的需求.
科学领域:
- 石油工程是石油工程中的一个.
- 化学工程是化学工程的重要组成部分.
- 数据科学数据科学数据科学
背景情况:
- 增强石油回收 (EOR) 非常重要,因为新的石油发现量正在下降.
- 聚合物泛滥,特别是用桑坦,是一种有效的EOR方法.
- 赞坦因其可用性,成本效益和环境兼容性而受到青.
研究的目的:
- 开发一种机器学习模型,以快速评估甘聚合物泛滥的可行性.
- 为了减少与传统的EOR实验相关的时间和成本.
- 为石油工程师提供一个工具,以便及时做出决策.
主要方法:
- 作为输入,使用了十个水库参数 (API重力,油和度,聚合物度,多孔度,盐度,岩石类型,孔积洪水,透度,油粘度,温度).
- 评估了五种机器学习模型:多层感知器 (MLP),卷积神经网络 (CNN),辐射基函数 (RBF),门式循环单位 (GRU) 和支持向量回归 (SVR).
主要成果:
- 许多MLP和GRU模型显示出优异的预测性能.
- 较小的LP实现了0.9930的R2值,GRU实现了0.9933.3的R2值.
- 这些模型准确地预测了丹聚合物泛滥的可行性.
结论:
- 机器学习模型为EOR可行性研究的广泛实验提供了一种快速且具有成本效益的替代方案.
- MLP和GRU提供非常准确的预测Xanthan聚合物洪水.
- 开发的模型使石油工程师能够有效地做出明智的决策.
