«Нефтепро-
мысловое дело»

Разработка методики прогнозирования объемного коэффициента нефти при помощи машинного обучения

УДК: 622.276
DOI: -

Авторы:

¹ Северный (Арктический) федеральный университет имени М.В. Ломоносова, Архангельск, Россия
² Институт проблем нефти и газа РАН, Москва, Россия

Ключевые слова: пластовые свойства нефти, PVT-свойства, объемный коэффициент нефти, машинное обучение, нейронные сети, оптимизация процесса разработки месторождения

Аннотация:

Разработка методики для корректного прогнозирования пластовых свойств нефти является приоритетной задачей, так как получение экспериментальных данных требует значительных экономических затрат. В данном исследовании рассмотрены два способа прогнозирования пластовых свойств нефти, в частности объемного коэффициента, методами машинного обучения и классической линейной регрессии. Выборка для проведения обучения модели составила более 5500 значений, включающих данные по объемному коэффициенту нефти, газосодержанию, плотности и температуре. В ходе создания модели получено представление о взаимосвязи основных пластовых свойств нефти. По результатам работы получена зависимость f(G, ρ, T), имеющая наилучшие показатели по всем статистическим метрикам.

Список литературы:

1. Брусиловский А.И. Научно обоснованный инженерный метод определения компонентного состава и PVT-свойств пластовых углеводородных смесей при неполной исходной информации // PROНефть. – 2016. – № 1. – С. 68–74.

2. Дунюшкин И.И., Мищенко И.Т., Елисеева Е.И. Расчеты физико-химических свойств пластовой и промысловой нефти и воды. – М.: Нефть и газ, 2004. – 448 с.

3. Ющенко Т.С., Брусиловский А.И. Эффективный метод построения и адаптации PVT-моделей пластовых флюидов газоконденсатных месторождений и газовых шапок нефтегазоконденсатных залежей // Нефт. хоз-во. – 2015. – № 1. – С. 56–60.

4. A neural network model and an updated correlation for estimation of dead crude oil viscosity / A. Naseri, S.H. Yousefi, A. Sanaei, A.A. Gharesheikhlou // Brazilian J. of Petroleum and Gas. – 2012. – Vol. 6, Issue 1. – P. 31–41.

5. Hadavi moghaddam F., Mishchenko I. Introducing a new correlation method to predict PVT properties of Russian and Iranian crude oils // Student Technical Conference (STC), 7–9 November 2018, Freiberg.

6. Jain D., Bihani A.D. Crude oil viscosity correlations: a novel approach for Upper Assam basin // Petrotech, New Delhi, India, 2014.

7. Ghorbani B., Ziabasharhagh M., Amidpour M. A hybrid artificial neural network and genetic algorithm for predicting viscosity of Iranian crude oils // J. of natural gas science and engineering. – 2014. – Vol. 18. – P. 312–323.

8. Performance comparison of bubble point pressure from oil PVT data: several neurocomputing techniques compared / H. Ghorbani, D.A. Wood, A. Choubineh [et al.] // Experimental and computational multiphase flow. – 2020. – Vol. 2, Issue 2. – P. 225–246.

9. Фрейман О.А., Еремин Н.А. Разработка методики прогнозирования пластовых свойств нефти при помощи машинного обучения // Экспозиция Нефть Газ. – 2023. – № 7(100). – С. 118–120. – DOI: 10.24412/2076-6785-2023-7-118-120