文摘

重要的是实现快速、准确预测多相流体粘度的储层油系统在石油工程为提高石油产量。本研究提出三个粘度预测模型基于机器学习的方法。预测精度的比较结果表明,随机森林(RF)模型进行准确地预测储层的每个阶段的粘度,最低的错误比例和最高值。和射频模型是非常快速的计算时间0.53秒。此外,敏感性分析表明,对于多相水库系统,储层的每个阶段的粘度是由不同的因素决定的。其中,石油的粘度对石油生产至关重要,这主要是受石油气体的摩尔比率(go先生)。

1。介绍

油气储层的流体粘度(1,2)是关键因素来确定最终的油气储层的开发效果和经济效益。因此,它已成为一个重要的基础性能制定油气田开发计划(3),研究油气储层性能,实现计划的调整,和评估刺激(4]。

PVT的组合装置,高压落球粘度计(5,6)可以实现储层样品的实验室分析,得到粘度值水库环境(高压力和温度)。PVT设备(7,8)可以创建特殊的温度和压力来模拟水库环境条件;因此,它已广泛应用于石油工业近年来(9]。然而,这些数据的采集,包括采样和随后的分析,将花费巨大的成本和时间,这是不可取的10]。

此外,为了简化和快速获取储层流体粘度和粘度的影响因素,分析大量的仿真研究粘度出现在石油行业,提出了许多常用的粘度模型,其中包括伦敦商学院粘度模型(11],CS粘度模型,接拍的粘度模型,Pt粘度模型、和公关粘度模型(12,13]。这些模型的应用可以实现储层流体的粘度收购与特定的组成和实现粘度的预测。但油气储层流体的粘度,尤其是在井筒多相水库系统,是受许多因素影响,包括水库环境条件下,石油和天然气组成、水和注气(14]。目前,是不可能找到一个一般粘度模型来描述多相水库系统中流体的粘度特性。

因此,本研究的目的是建立一个可靠的和精确的机器学习模型预测每个阶段的粘度在多相混合油系统。研究表明,深层神经网络(款),随机森林(RF)和支持向量回归(SVR)非常善于捕捉和学习非线性特性之间的关系数据,数据驱动的方式,他们可以准确地预测参数没有物理模型。与一些经典的机器学习算法相比,这些机器学习算法通常可以维持高预测精度甚至在小样本情况下,地图更多的功能空间。和训练模型具有更高的可移植性,可以快速适应不同的应用场景。因此,本文将选择这三种机器学习方法来预测和分析每个在多相混合流体的粘度油系统。

为了实现这一研究目的,塔里木盆地储层油被作为一个例子。新疆塔里木油田位于库车县,中国。这是迫切需要解决的关键问题提高原油采收率。注气初期研究认识到,注气采油的实际技术方向的塔里木盆地储层。本研究收集大量的实验和仿真数据为机器学习提供了大量数据。此外,影响因素的敏感性分析起着至关重要的作用在储层油的开发指导,收集数据整理和分析,根据水库环境因素(温度和压力 )和储层成分(气体的摩尔比率油go先生和摩尔比的水油MR-WO [15,16])。因此,发达粘度预测模型覆盖了大范围的输入数据,这是很重要的油藏的生产。

本文的结构如下。在下一节中,背景,控制方程,给出的三个模型的开发方法,包括射频、款,SVR,详细介绍和描述。此外,本部分还将给统计指标的计算方法来评估这三个模型。接下来,节3、精度和计算时间的比较这三种开发模式将由统计指标,评估和可靠性分析的计算过程将射频模型。此外,将进行影响因素的敏感性分析,和每个影响因素的影响权重输出多相体系粘度也会给。最后,部分4将本文的主要结论。

2。方法

2.1。预测模型

三种预测模型被用来预测多相储层油的粘度系统从原油系统的输入数据,如go先生,MR-WO、水库环境压力( ,MPa)和温度( ,^°C)。1表示输入数据的统计特征。

2.1.1。随机森林(RF)

随机森林(17),作为一个整体学习算法基于分类和回归树,在许多领域得到了广泛的应用。何[18)在1995年首次提出了随机森林算法和改进算法的Breiman [192001年)。射频是一种基于统计学习理论的机器学习方法。首先,从原始数据中提取多个样本集通过引导重采样方法。然后,建立决策树模型为每个引导样本。最后,结合多个决策树的预测和平均得到最终预测结果。最终的回归决定公式如下: 在哪里表示随机森林模型的计算结果,回归树的数量要求,代表一个单一的回归树模型。随机森林模型的计算过程中,有两个非常关键的hyperparameters,回归树的数量( - - - - - -估计)和随机变量在节点的数量(max深度)。回归树的数量太少会影响计算的准确性。同样,太多的数量将会增加计算的复杂性。随机森林的训练过程如图1。

2.1.2。深层神经网络(款)

严重的神经网络(20.,21)是一种机器学习方法,它结合了一个多层感知器结构和反向传播算法。它主要由三部分组成,包括输入层、隐藏层和输出层(图2)。深的关键结构神经网络被称为神经元,它可以描述输入和输出之间的非线性映射关系。每个神经元的输出方程如下: 在哪里是输出值,是激活函数,输入参数的重量,是阈值。神经网络模型的训练过程分为两个步骤:正向传播和反向传播。首先,传播是用来计算模型的预测值。之间的误差梯度预测价值和损失函数获得的真正价值。根据误差梯度,调整神经网络的权值和阈值,通过反向传播算法。不断重复这一过程可以使网络学习之间的隐藏特性数据。

2.1.3。支持向量回归(SVR)

支持向量机(22- - - - - -24]是一种机器学习方法提出的议会和Vapnik251995年学习参数之间的映射关系。支持向量回归的核心思想是找到输入和输出空间之间的非线性映射关系。依赖于非线性映射、数据映射到一个高维的特征空间。在特征空间中线性回归的估计函数如下: 在哪里是线性函数,和是确定权向量和偏见,分别。

在高维特征空间中,SVR的优化问题 - - - - - -不敏感损失函数如下: 在哪里目标函数是信心范围反映了泛化能力,和松弛变量,代表容许误差的上限和下限, 表示实验风险反映函数的学习能力, 是一个不敏感损失系数和参数 是一个惩罚因子。在SVR,方程的对偶问题(4)通常是派生通过使用拉格朗日乘子法,基于线性回归函数可以最终被构造。

2.2。统计评价的三个模型

评估机器学习模型的准确性,使用三个统计指标,包括均方误差(MSE),平均绝对误差(MAE)和确定系数( )(26- - - - - -28]。这个实验也利用这些指标计算误差和测试机器学习模型的鲁棒性。 在哪里代表样品的总数,引用参数是实际的期望值,然后呢代表了机器学习方法的预测价值。

3所示。结果与讨论

3.1。提出三个模型的比较

评估每个构造网络的精度,MSE,美,计算,基于不同的输出数据的气体粘度( ),油粘度( ),和水的粘度( ),分别。计算评价结果展示在表2。

据表的结果2,适当的粘度预测模型建模是射频。以石油粘度建模为例;在这三种预测模型中,提出了射频模型MSE最低0.008,梅最低0.0093,最高值为0.9623。相比其他两种开发模式,SVR模型最糟糕的预测结果。

揭示和可视化的性能预测模型,模型预测之间的交会图法图片和相应的实验值画在图3天然气粘度( ),油粘度( ),和水的粘度( ),分别。在这条曲线上,有三个颜色分:蓝色的点估计数据射频,红点SVR的估计数据,和黄点款的估计数据, 行实验值。在交会图法,时获得更高的精度数据接近 线。从数据3(一个)- - - - - -3 (c),在所有的预测结果对天然气粘度( ),油粘度( ),和水的粘度( ),只有在RF模型中,有一个足够亲密的多数数据点 ,显示一个非常好的协议模型预测和相应的实验值。射频模型,确定系数( )高到0.9824,0.9623,0.9999,气体粘度( ),油粘度( ),和水的粘度( ),分别,这远远高于其他模型。

此外,在图4,模型预测和相应的实验油粘度值( )由三个提议的模型也比较和描述。从这些结果,使用射频模型的预测结果非常接近相应的实验结果。可以看出,RF模型达到良好的预测精度石油粘度( )的多相水系统。

最后,以1200套的数据为例,机器学习模型的预测计算时间与传统数值方法(TDM),如表所示3。本文实验是基于TensorFlow Sk-learn学习与Python语言库。硬件资源包括英特尔(电子邮件保护)处理器,16 G内存和Nvidia GTX 1060(6克)显卡。表3表明机器学习模型只需要0.53秒,0.82,和0.76年代的预测计算射频,款,分别和SVR。通过机器学习模型预测时间是非常快,而对于传统数值方法,预测时间是高52.8 s。机器学习模型,因此,在计算时间方面有优势。

3.2。结果射频的分析模型

统计学评价参数的最佳网络射频模型训练、测试和数据集展示在表4。表4报道称,对于训练集,射频模型的高至0.9921,美和MSE非常低的值为0.0021 。为测试集, ,美,MSE值是0.9816,0.0035,和0.0003。虽然共组,相应的统计评估结果是0.9811,0.0023,和0.0001,分别指示好评价射频模型的参数。

交会图法提出了射频模型的图也显示在图5。可以看到,周围分布有密集的点 线的所有数据,误差基本保持在5%,表明足够的射频开发模型的准确性和可靠性。

3.3。重要性分析

重要性的影响因素进行了分析,找出一种灵敏度分析在多相gas-oil-water体系粘度。对于每个粘度,如天然气、石油、和水,每个独立的影响因素,如 , ,go先生,MR-WO在这部分评估。重要性分析的结果显示在图6。对于每个输出结果,影响比例之和的影响因素( , ,go先生和MR-WO)是1。影响价值比例越高,越强的输入参数和输出函数之间的关系。

预计,气体粘度,go先生是最重要的因素影响输出结果的影响比例为0.53。其次是环境因素,包括和 ,和比例分别是0.20和0.25。这里,有垃圾含水量的效果。对石油的粘度,输出值主要受环境温度的影响和天然气内容go先生和比例的具体影响是0.42和0.40,分别。其次,压力也起着重要的作用与影响比例的0.17。最后,水的粘度在多相系统主要是由环境温度决定 ,影响比例是0.76,其次是它的内容MR-WO系统中,比率是0.23。

4所示。结论

在这项研究中,三个机器学习模型,即随机森林(RF),深层神经网络(款),和支持向量回归(SVR),提出了计算和预测多相水库的相粘度油系统。

让每个开发模型的准确性的判断,各种统计评价指标,包括均方误差(MSE),平均绝对误差(MAE)和确定系数( ),被应用。结果表明,射频模型具有较高的精度较其他两个模型。具体来说,对于射频模型, ,美,MSE值是0.9811,0.0023,和0.0001,分别说明评估性能好。此外,机器学习模型在计算时间优势RF模型,只需要0.53秒1200组数据预测。

此外,一个重要的影响因素进行了分析在这种多相gas-oil-water体系粘度。天然气粘度,go先生是最重要的影响因素与影响的比例0.53,紧随其后和 。接下来,滑油粘度主要影响MR-WO,也有影响。最后,水的粘度主要取决于 ,MR-WO紧随其后。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

所有作者确认没有金融/个人利益或认为可能影响我们的客观性,并且不存在任何冲突。

确认

这项研究是由中国国家自然科学基金(批准号11972073)。