Ученые Томского политеха применили алгоритмы машинного обучения для прогнозирования массы хранения CO2

Москва, 13 ноя - ИА Neftegaz.RU. Ученые Центра Хериот-Ватт Томского политехнического университета (ТПУ) применили алгоритмы машинного обучения для прогнозирования массы хранения углекислого газа (диоксида углерода, CO2) и объема добычи нефти.
Об этом сообщила пресс-служба Томского политеха.

По сравнению с традиционными методами, алгоритмы помогли сделать процесс прогнозирования менее трудо- и времязатратным.
Также в ТПУ провели сравнительный анализ 4^х различных алгоритмов и выявили самый точный из них.
Результаты исследования опубликованы в сентябрьском номере Expert Systems With Applications (Q1, IF: 7.5).

Разработка методов повышения нефтеотдачи в настоящее время особенно актуальна.
Закачка CO₂ в истощенные нефтяные пласты для увеличения (CO₂ -EOR) является одним из широко применяемых.

Помимо, собственно, возможности увеличения объема добычи нефти, геологическое хранение CO₂ (CCS/ CCUS) - перспективный метод снижения концентрации антропогенных выбросов в атмосфере.
Углекислый газ с помощью скважин закачивается в глубокие формации.
Долгосрочное хранение углекислого газа в таком резервуаре обеспечивается за счет того, что:

• он взаимодействует с частицами горных пород и растворяется в пластовом флюиде;
• с течением времени доля свободного газа в пласте уменьшается, так как он переходит в связанное состояние.

Ранее в ТПУ при поддержке федеральной программы Минобрнауки РФ «Приоритет-2030» разработали методику прогноза динамики связывания углекислого газа при его закачке в глубокозалегающие водоносные пласты для долгосрочного хранения.

Модель, предложенная политехниками, учитывает большое количество параметров процесса и имеет высокую точность прогноза.
Это позволит упростить и ускорить оценку объектов при подборе резервуаров хранения.

Тезисы руководителя исследования, инженер-исследователя Центра Хериот-Ватт ТПУ Ш. Давуди:

• в настоящее время для прогнозирования процессов обычно применяются традиционные методы моделирования с использованием специализированного программного обеспечения;
• это длительный и трудоемкий процесс, который может занять несколько месяцев;
• необходимо учитывать очень много факторов и проводить много расчетов;
• мы же предложили использовать методы машинного обучения для создания модели, способной прогнозировать объем добычи нефти и массы хранения CO₂;
• мы считаем, что подходы с использованием машинного обучения могут обеспечить более глубокое понимание ключевых факторов, влияющих на процессы повышения нефтеотдачи и хранения CO₂ в пластах, и помочь оптимизировать их производительность.

Научный коллектив сконцентрировался на 4^х алгоритмах машинного обучения:

• MLPNN (многослойная персептронная нейронная сеть),
• ELM (метод экстремального обучения),
• LSSVM (метод опорных векторов наименьших квадратов),
• RBFNN (радиально-базисная нейронная сеть).

Все они ранее продемонстрировали свои возможности в моделировании и оптимизации сложных процессов CO₂-EOR.

Модели обучались на основе синтетических входных данных.
С помощью программного обеспечения было проведено более 10 тыс. итераций моделирования для генерирования необходимого набора данных.
В качестве основных параметров, влияющих на конечный прогноз, были выбраны 9 переменных – пористость, проницаемость, площадь резервуара, нефтенасыщенность и др.

Тезисы Ш. Давуди:

• все 4 модели машинного обучения были разработаны и протестированы на отдельное прогнозирование 2х целевых параметров – объема хранения CO2 и совокупной добычи нефти;
• затем был проведен сравнительный анализ;
• предиктивная способность каждой модели оценивалась на основе статистических метрик ошибок;
• в результате было установлено, что алгоритм LSSVM продемонстрировал самые низкие показатели ошибки прогнозирования;
• в дальнейшем планируется валидация модели на основе данных с реального месторождения;
• кроме того, продолжается работа над улучшением самой модели, путем интеграции различных оптимизационных алгоритмов и гибридного подхода.