教師あり深層学習

Scientific Reports volume 13、記事番号: 4892 (2023) この記事を引用

921 アクセス

5 引用

2 オルトメトリック

メトリクスの詳細

原油価格の高騰と石油埋蔵量の限界に対する懸念により、石油増進回収 (EOR) への関心が高まっています。 経済コストを最適化するためには、最も効率的な開発計画を選択することが非常に重要です。 したがって、この研究の主な目的は、貯留層の岩石と流体の特性 (深さ、空隙率、透水性、重力、粘度)、および温度に基づいて最適な EOR 手法を選択するための新しい深層学習分類器を構築することです。 当社の深層学習ベースの分類器は、1 次元 (1D) 畳み込みニューラル ネットワーク、長短期記憶 (LSTM)、および高密度に接続されたニューラル ネットワーク層で構成されています。 このハイブリッド分類器のハイパーパラメーターを調整するために、遺伝的アルゴリズムが適用されています。 提案された分類器は、17 か国以上の砂岩、未固結砂岩、炭酸塩、および礫岩の貯留層に関する 735 の EOR プロジェクトを使用して開発およびテストされました。 数値的調査とグラフ的調査の両方で、構造調整ディープラーニング分類器が EOR シナリオをスクリーニングして最適なシナリオを選択するための信頼できるツールであることが認められています。 設計されたモデルは、トレーニング、検証、テストの例をそれぞれ 96.82%、84.31%、82.61% の精度で正確に分類します。 これは、利用可能な 735 個の EOR プロジェクトのうち、提案された深層学習分類器によって誤って識別されたのは 30 個だけであることを意味します。 このモデルは、関連する強化された石油回収技術の分類に関して、0.1548 という小さなカテゴリカルクロスエントロピーも示しています。 このような強力な分類器は、限られたフィールド情報で特定の油層に最適な EOR 候補を選択するために必要です。

石油増進回収 (EOR) は、回収係数を最適化し、石油およびガスプロジェクトからの利益を増加させるのに役立ちます1、2、3。 石油価格の上昇により、将来のエネルギー資源に対する懸念が生じ、世界中で石油回収の強化に対する関心が高まっています4,5。 EOR プロジェクトは多くの場合、従来の二次プロジェクトに比べて高価であり、初期コストが高くなります6。 不適切な回収プロジェクトは、貯水池に永久的な損傷を与え、経済的損失を増大させる可能性があります。 これらの分析は実験室試験で構成され、貯留層の特性評価とシミュレーション、設計、パイロット試験の実施を経て、最終的な設計と完全な現場プロジェクトの実施に至ります。 さらに、上記のすべてのフェーズには、事前のコスト効率の高いスクリーニングフェーズによって適切にサポートされない場合、リスクが伴う可能性のある投資が含まれます。 したがって、意思決定アプローチの重要な要素は、何よりもまず、対象となる貯留層の EOR の可能性を評価することです。 これは EOR スクリーニングの実践によって達成される重要な目標であり、控えめな設備投資でリスクを軽減するために使用される最初の指標を提供することを目的としています。

したがって、枯渇しつつある貯留層を開発するには、信頼性が高く正確な強化された石油回収スクリーニング方法が望ましい。 文献レビューによると、EOR スクリーニングには一般に 2 つの技術があります: (1) 従来の EOR スクリーニング (CEORS) と (2) 高度な EOR スクリーニング (AEORS)7、8、9。 CEORS 手法は、各 EOR 手法の実装が成功する可能性を示すために、いくつかの事前定義されたスクリーニング パラメーターを考慮します。 これらのパラメータは通常、EOR 手法を成功させるために、貯留層の流体と岩石の特性 (油の飽和度、API の重力、層の厚さ、地層の種類、浸透性、粘度、塩分、温度、深さなど) をカバーします 10,11。 これらの基準案は、1997 年以前に実施され成功した EOR プロジェクトを分析することによって達成されました10。さらに、利用可能な予備費や実施コストなどの他の要因も、基準案に明白な影響を与えます。 これらのパラメーターは長年にわたり EOR スクリーニングで広く使用されてきましたが、研究者はそれらの改良や更新をほとんど試みませんでした。 Al-Adasani と Bai12 は、1998 年以降に実施された EOR プロジェクトをレビューし、Taber et al.10 が提案した原理を改良しました。 マシャエクヒザデら。 いくつかの主要なスクリーニング基準を統合し、各 EOR 技術に対する一連のリアリズム基準を作成しました 13。 張ら。 は、統計パラメータに基づいて多くの石油増進回収プロジェクトを分析することにより、グラフによるスクリーニング指標を提案しました14。 ジェンセンら。 Ekofisk 分野の CEORS を検討した結果、水交互ガス注入 (WAG) および空気注入シナリオが最も適切な EOR 方法であることが示されました 15。 Alvarado と Manrique は、従来の手法の顕著な限界は、同様の分野で実行される EOR 戦略についての詳細が示されておらず、「ゴー/ノーゴー」応答のみを提供することであると強調しました。 一方で、コンピューターサイエンスの進歩により、別のアプローチの良い機会が生まれました。 過去 10 年間、コンピュータ支援技術により EOR スクリーニング手法がアップグレードされました。 このアプローチでは、貯留層の岩石と流体の特性、そして EOR 法の導入の成功が重要な役割を果たします。 このアプローチは AEORS として緩やかに拡張されました。 他の研究分野と同様に 17、EOR スクリーニングの処理にも機械学習手法が適用されます 18,19。 人工ニューラル ネットワーク (ANN)18、19、エキスパート システム 20、21、ファジー推論 22、ベイジアン ネットワーク 23、24 などの人工知能戦略は、すでに EOR 分類タスクに取り組んでいます。 AEORS の最初の研究は Alvarado らによって行われました 25。 彼らは世界中の 290 の EOR プロジェクトを検討し、次元削減とクラスタリング手法を適用して、適切な EOR 手法を選択するためのエキスパート マップを作成しました25。 Leeらによって行われた研究。 候補貯留層に最適な EOR シナリオを特定するために、成功した 230 の強化石油回収シナリオを使用した ANN モデルのトレーニングが含まれています26。 さらに、Zerafat ら。 Taberらによって提案された基準を統合しました。 1098 の EOR シナリオを使用し、適切な EOR 手法を予測するためのベイジアン信念ネットワークを開発しました24。 Parada と Ertekin は、商用貯留層シミュレーターを使用して、ANN トレインの実現に必要なデータを収集しました 27。 彼らは、EOR スクリーニングと強化された石油回収シナリオのパフォーマンスを予測するための新しいアプローチを提案しました27。 この分野でも同様の研究がいくつか行われ、EOR スクリーニングのためのインテリジェントなツールを見つけるために多くの機械学習技術がチェックされました。 カザリら。 最近、世界中で成功した 548 件の EOR プロジェクトを使用してファジー決定ツリー アルゴリズムをトレーニングし、スクリーニング ルールを示しました 28。 バブシキナら。 貯留層の岩石と流体の特性の 6 次元空間に K-Means クラスタリング法を適用することにより、類似性を定義および調査します29。 ターゲットフィールドの EOR の可能性は、同じクラスターに属するプロジェクトの (最終的には異なる) EOR 手法に関連付けられた回復係数を補間することによって推定されます29。 また、Trujillo ら 30 は、従来のアプローチと先進的なアプローチを組み合わせて、類似性スコアに従って利用可能なデータベースをランク付けしました 10,11。 このアプローチにより、コロンビアの油田に応用できる可能性が高い EOR 技術を特定することが可能になりました。