USD 109.5782

+1.57

EUR 116.141

+3.05

Brent 72.75

+0.07

Природный газ 3.301

+0.01

3 мин
...

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

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

Источник: Пресс-служба ТПУ

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 4х 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 4х 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.

Новости СМИ2




Подписывайтесь на канал Neftegaz.RU в Telegram