Überwachtes Deep Learning

Wissenschaftliche Berichte Band 13, Artikelnummer: 4892 (2023) Diesen Artikel zitieren

695 Zugriffe

5 Zitate

2 Altmetrisch

Details zu den Metriken

Hohe Ölpreise und Bedenken hinsichtlich begrenzter Ölreserven führen zu einem zunehmenden Interesse an der Enhanced Oil Recovery (EOR). Die Auswahl des effizientesten Entwicklungsplans ist von großem Interesse, um die wirtschaftlichen Kosten zu optimieren. Daher besteht das Hauptziel dieser Studie darin, einen neuartigen Deep-Learning-Klassifikator zu entwickeln, um die beste EOR-Methode basierend auf den Gesteins- und Flüssigkeitseigenschaften (Tiefe, Porosität, Durchlässigkeit, Schwerkraft, Viskosität) und der Temperatur des Reservoirs auszuwählen. Unser auf Deep Learning basierender Klassifikator besteht aus einem eindimensionalen (1D) Faltungs-Neuronalen Netzwerk, einem langen Kurzzeitgedächtnis (LSTM) und dicht verbundenen neuronalen Netzwerkschichten. Der genetische Algorithmus wurde angewendet, um die Hyperparameter dieses Hybridklassifikators abzustimmen. Der vorgeschlagene Klassifikator wurde anhand von 735 EOR-Projekten an Sandstein-, nicht konsolidierten Sandstein-, Karbonat- und Konglomeratlagerstätten in mehr als 17 Ländern entwickelt und getestet. Sowohl die numerischen als auch die grafischen Untersuchungen bestätigen, dass der strukturabgestimmte Deep-Learning-Klassifikator ein zuverlässiges Werkzeug ist, um die EOR-Szenarien zu überprüfen und das beste auszuwählen. Das entworfene Modell klassifiziert Trainings-, Validierungs- und Testbeispiele korrekt mit einer Genauigkeit von 96,82 %, 84,31 % bzw. 82,61 %. Dies bedeutet, dass nur 30 von 735 verfügbaren EOR-Projekten vom vorgeschlagenen Deep-Learning-Klassifikator falsch identifiziert werden. Das Modell weist außerdem eine kleine kategoriale Kreuzentropie von 0,1548 für die Klassifizierung der beteiligten Techniken zur verbesserten Ölgewinnung auf. Ein derart leistungsstarker Klassifikator ist erforderlich, um den am besten geeigneten EOR-Kandidaten für ein bestimmtes Ölreservoir mit begrenzten Feldinformationen auszuwählen.

Enhanced Oil Recovery (EOR) trägt zur Optimierung des Rückgewinnungsfaktors bei, um die Erträge aus Öl- und Gasprojekten zu steigern1,2,3. Steigende Ölpreise wecken Bedenken hinsichtlich zukünftiger Energieressourcen und steigern das Interesse an einer verbesserten Ölförderung in der Welt4,5. EOR-Projekte sind oft teuer und haben höhere Anfangskosten als herkömmliche Sekundärprojekte6. Ein unsachgemäßes Sanierungsprojekt kann zu dauerhaften Schäden an den Stauseen führen und die finanziellen Verluste erhöhen. Diese Analysen umfassen Labortests und den Fortschritt über die Lagerstättencharakterisierung und -simulation, das Design und die Implementierung von Pilottests bis hin zum endgültigen Design und der Implementierung des gesamten Feldprojekts. Darüber hinaus beinhalten alle oben genannten Phasen Investitionen, die riskant sein können, wenn sie nicht ordnungsgemäß durch eine vorläufige kosteneffiziente Screening-Phase unterstützt werden. Ein zentrales Element des Entscheidungsansatzes ist daher in erster Linie die Bewertung des EOR-Potenzials für ein Zielreservoir. Dies ist das entscheidende Ziel, das durch die Praxis des EOR-Screenings erreicht wird, das die erste Messgröße liefern soll, die zur Risikominderung mit bescheidenem Kapitalaufwand eingesetzt werden kann.

Daher ist eine zuverlässige und präzise verbesserte Screening-Methode für die Ölförderung wünschenswert, um erschöpfende Lagerstätten zu erschließen. Eine Literaturübersicht zeigt, dass es im Allgemeinen zwei Techniken für das EOR-Screening gibt: (1) konventionelles EOR-Screening (CEORS) und (2) fortgeschrittenes EOR-Screening (AEORS)7,8,9. Die CEORS-Technik berücksichtigt mehrere vordefinierte Screening-Parameter, um die Wahrscheinlichkeit einer erfolgreichen Implementierung jeder EOR-Technik anzuzeigen. Diese Parameter decken in der Regel die Reservoirflüssigkeits- und Gesteinseigenschaften (wie Ölsättigung, API-Schwerkraft, Schichtdicke, Formationstyp, Permeabilität, Viskosität, Salzgehalt, Temperatur und Tiefe) für erfolgreiche EOR-Methoden ab10,11. Diese vorgeschlagenen Standards wurden durch die Analyse der erfolgreichen EOR-Projekte erreicht, die vor 1997 durchgeführt wurden10. Darüber hinaus haben andere Faktoren wie verfügbare Reserven und Implementierungskosten einen spürbaren Einfluss auf die vorgeschlagenen Kriterien. Diese Parameter werden seit vielen Jahren in großem Umfang beim EOR-Screening verwendet und die Forscher haben kaum versucht, sie zu verbessern/aktualisieren. Al-Adasani und Bai12 überprüften die seit 1998 durchgeführten EOR-Projekte und verbesserten das von Taber et al.10 vorgeschlagene Prinzip. Mashayekhizadeh et al. integrierte mehrere wichtige Screening-Kriterien und erstellte eine Reihe realistischer Kriterien für jede EOR-Technik13. Zhang et al. schlug einen grafischen Screening-Index durch Analyse der vielen Projekte zur verbesserten Ölförderung auf der Grundlage statistischer Parameter vor14. Jensen et al. betrachteten CEORS im Ekofisk-Feld und die Ergebnisse zeigten, dass die Wasseralternierungsgasinjektionsszenarien (WAG) und die Luftinjektionsszenarien die am besten geeigneten EOR-Methoden sind15. Alvarado und Manrique betonten, dass die bemerkenswerte Einschränkung herkömmlicher Methoden darin besteht, dass sie nur eine „Go/No Go“-Antwort liefern, ohne zusätzliche Details zu EOR-Strategien, die in ähnlichen Bereichen durchgeführt werden16. Andererseits haben Fortschritte in der Informatik gute Chancen für einen alternativen Ansatz geschaffen. Im letzten Jahrzehnt hat die computergestützte Technologie die EOR-Screening-Ansätze verbessert. Dabei spielen die Gesteins- und Flüssigkeitseigenschaften des Reservoirs sowie die erfolgreiche Umsetzung von EOR-Methoden eine wichtige Rolle. Dieser Ansatz wurde als AEORS sanft erweitert. Ähnlich wie in anderen Forschungsbereichen17 werden auch Methoden des maschinellen Lernens zur Durchführung des EOR-Screenings eingesetzt18,19. Strategien der künstlichen Intelligenz, einschließlich künstlicher neuronaler Netze (KNN)18,19, Expertensysteme20,21, Fuzzy-Inferenz22 und Bayesianische Netze23,24, wurden bereits an der EOR-Klassifizierungsaufgabe beteiligt. Die frühesten Studien zu AEORS wurden von Alvarado et al.25 durchgeführt. Sie betrachteten 290 EOR-Projekte auf der ganzen Welt und verwendeten Dimensionsreduktions- und Clustering-Methoden, um eine Expertenkarte für die Auswahl einer geeigneten EOR-Methode zu erstellen25. Untersuchungen von Lee et al. umfasst das Training eines ANN-Modells unter Verwendung von 230 erfolgreichen Szenarios zur verbesserten Ölförderung, um das am besten geeignete EOR-Szenario für mögliche Lagerstätten zu ermitteln26. Darüber hinaus haben Zerafat et al. integrierte die von Taber et al. vorgeschlagenen Kriterien. unter Verwendung von 1098 EOR-Szenarien und entwickelte ein Bayesian Belief-Netzwerk, um die geeigneten EOR-Methoden vorherzusagen24. Parada und Ertekin verwendeten einen kommerziellen Reservoirsimulator, um die für die Durchführung des ANN-Zugs erforderlichen Daten zu sammeln27. Sie schlugen einen neuen Ansatz für das EOR-Screening und die Vorhersage der Leistung verbesserter Ölförderungsszenarien vor27. Auch in diesem Bereich wurden mehrere ähnliche Studien durchgeführt und viele Techniken des maschinellen Lernens überprüft, um ein intelligentes Tool für das EOR-Screening zu finden. Khazali et al. hat kürzlich einen Fuzzy-Entscheidungsbaum-Algorithmus unter Verwendung von 548 erfolgreichen EOR-Projekten auf der ganzen Welt trainiert, um die Screening-Regeln anzugeben28. Babuschkina et al. Definieren und untersuchen Sie Analogien, indem Sie eine k-Means-Clustering-Methode auf den 6-dimensionalen Raum der Reservoirgesteins- und Flüssigkeitseigenschaften anwenden29. Das EOR-Potenzial eines Zielfelds wird durch Interpolation der Wiederherstellungsfaktoren geschätzt, die mit den (eventuell unterschiedlichen) EOR-Techniken von Projekten verbunden sind, die zum selben Cluster gehören29. Außerdem kombinierten Trujillo et al.30 konventionelle und fortgeschrittene Ansätze, um die verfügbare Datenbank anhand eines Ähnlichkeitswerts einzustufen10,11. Dieser Ansatz hat es ermöglicht, EOR-Techniken mit hohem Anwendungspotenzial auf den Ölfeldern Kolumbiens zu identifizieren.

Daher müssen sorgfältige und detaillierte Vorstudien durchgeführt werden, um die Unsicherheit zu verringern und das Risiko eines Scheiterns des EOR-Screeningprozesses zu minimieren.

Neue Klassen intelligenter Techniken, nämlich Deep-Learning-Framework31, Deep-Reinforcement-Learning32,33, Deep-Believe-Network34, Dual-Graph-Attention-Convolution-Network35, werden kürzlich vorgeschlagen, um das Verhalten selbst komplizierter Probleme zu überwachen (Modellierung, Kontrolle und Klassifizierung). Daher besteht das Hauptproblem dieser Arbeit darin, mithilfe eines neuartigen Deep-Learning-basierten Klassifikators die am besten geeignete EOR-Technik für das Zielreservoir auszuwählen. Dieser neuartige Klassifikator besteht aus LSTM- (Long Short-Term Memory), 1D-CNN- (One-Dimensional Convolutional Neural Network) und DNN-Schichten (Densely Connected Neural Network). Darüber hinaus wurde der genetische Algorithmus (GA)36 verwendet, um die Hyperparameter des Klassifikators systematisch anzupassen. Der vorgeschlagene Klassifikator erfordert eine Mindestmenge an Informationen (z. B. Tiefe, Porosität, Durchlässigkeit, Schwerkraft des Öls, Viskosität und Temperatur), um die potenziellen EOR-Szenarien einzustufen und das beste Szenario vorzuschlagen. Ein solch leistungsstarkes Tool kann die mit Feldversuchen verbundenen Kosten senken und die Auswahl der EOR-Methode mit größerer Sicherheit unterstützen.

Die Daten aus 735 realen EOR-Projekten, die auf Karbonat-, Sandstein-, lockere Sandstein- und Konglomeratlagerstätten in mehr als 17 Ländern angewendet wurden, wurden aus der Literatur gesammelt und für die Entwicklung des Deep-Learning-basierten Klassifikators verwendet. Zu diesen Informationen gehören Porosität (%), Tiefe (ft), Öldichte (API), Permeabilität (md), Viskosität (cP) und Temperatur (°F) als unabhängige Variablen. Darüber hinaus umfassen die angewandten EOR-Szenarien Wasserüberschwemmungen (Klasse 0), CO2-Überschwemmungen (Klasse 1), Kohlenwasserstoffüberschwemmungen (Klasse 2), Wasserwechselgase (Klasse 3), Polymerüberschwemmungen (Klasse 4) und Tensidüberschwemmungen (Klasse 5). , thermische Rückgewinnungen wie Dampfflutung und In-situ-Verbrennung (Klasse 6) sind die Ziele, die identifiziert werden müssen.

Abbildung 1 zeigt die Verteilung der Reservoirlithologie, die in den gesammelten realen EOR-Projekten verfügbar ist. Diese Abbildung zeigt die Karbonat- und Konglomeratlagerstätten mit der maximalen und minimalen Anzahl der EOR-Vorgänge in der verfügbaren Datenbank. Darüber hinaus unterscheidet Abb. 2 die EOR-Projekte nach dem Ort, an dem sie ausgeführt werden. Es ist ersichtlich, dass die gesammelte Datenbank die EOR-Informationen von mehr als 17 Ländern auf der ganzen Welt umfasst.

Die Verbreitung von EOR-Methoden basierend auf der Reservoirlithologie.

Gesamtverteilung der verfügbaren Daten nach Ländern.

Während der Datenvorverarbeitung wurde die Z-Score-Normalisierung (Gleichung (1)) angewendet, um das Eingabemerkmal zu skalieren37.

wobei AV und NV die tatsächlichen und normalisierten Werte einer Variablen darstellen. Darüber hinaus geben μ und σ den Mittelwert und die Standardabweichung der Variablen an.

Die numerischen Bezeichnungen (0 bis 6), die die verschiedenen EOR-Methoden darstellen, wurden in der aktuellen Studie in eine binäre Matrix umgewandelt.

Wie bereits erläutert, zielt diese Arbeit darauf ab, ein linear gestapeltes, hybrides, dreischichtiges, tiefstrukturiertes Netzwerk bestehend aus 1D-CNN, LSTM und DNN anzuwenden, um EOR-Methoden basierend auf den Eigenschaften und der Temperatur von Reservoirgestein und -flüssigkeiten zu überprüfen.

Abbildung 3 zeigt die allgemeine Struktur des in dieser Studie verwendeten Hybridklassifikators. Der numerische Wert der normalisierten unabhängigen Variablen (v × 1-Vektor) geht zum Merkmalslernen in 1D CNN ein38. Das CNN verfügt über k Filter der Größe R1 × 1, die mit der Eingabematrix gefaltet werden, um k Feature-Maps zu erzeugen. Das durch die gleichgerichtete lineare Einheit (ReLU) aktivierte CNN liefert die Ausgabe der Form v × k. Die LSTM-Schicht mit p Einheiten und einer Aktivierungsfunktion für den hyperbolischen Tangens (Tanh)39 bietet eine Rückkopplungsverbindung, um die relevanten Informationen weiterzuleiten. Schließlich wird die LSTM-Ausgabe mit D-Neuronen und einer Softmax-Aktivierungsfunktion an die DNN-Schicht übermittelt, um die endgültigen Klassifizierungsergebnisse bereitzustellen.

Struktur des hybriden dreischichtigen Tiefstrukturklassierers.

Der verfügbare Datensatz (735 Proben) wurde in drei nicht überlappende Gruppen aufgeteilt, nämlich Training (90 %, 661 Proben), Validierung (7 %, 51 Proben) und Testen (3 %, 23 Proben). Die erste Gruppe umfasst Beispiele, die dabei helfen, die einstellbaren Parameter des Klassifikators anzupassen und die Lernphase abzuschließen. Andererseits wird die Validierungsgruppe verwendet, um die Leistung des Modells während des Trainingsschritts zu bewerten. Die letzte Gruppe wurde angewendet, um die Klassifizierungsleistung des trainierten Modells anhand einiger unsichtbarer Stichproben zu bewerten und seine Generalisierungsfähigkeit zu überwachen.

Da die Anzahl der unabhängigen Variablen und EOR-Klassen durch das untersuchte Problem bestimmt wird, ist es lediglich erforderlich, die Anzahl der Einheiten in den CNN- und LSTM-Schichten zu regulieren. Der GA, der eine optimale oder nahezu optimale Lösung einer vordefinierten Zielfunktion aus dem Problemraum40 liefert, wurde in dieser Arbeit verwendet, um diese beiden Hyperparameter abzustimmen. Die Population wurde mithilfe von Zufallsstichproben initialisiert, und die GA entwickelte sich über 500 Generationen mithilfe von Turnierauswahl, One-Point-Crossover und Mutationsoperatoren. Der GA minimiert die kategoriale Kreuzentropiefunktion (CCE), um optimale Hyperparameterwerte zu erhalten, einschließlich der Anzahl der Filter in der CNN-Schicht (Conv1D-Einheiten) und der Anzahl der Einheiten in der LSTM-Schicht (LSTM-Einheiten). Tabelle 1 enthält die Grenzen des Suchraums, die während der GA-Optimierung verwendet werden.

Abbildung 4 stellt eine Variation des CCE durch die GA-Generierung vor, wenn die Anzahl der Filter in der CNN-Schicht und der Einheiten in der LSTM-Schicht in den vordefinierten Bereichen geändert wird. Diese Abbildung zeigt, dass der minimale CCE von 0,1050 in der 143. Generation erreicht wird. Dieser minimale CCE ist mit den Conv1D- und LSTM-Einheiten als 349 bzw. 60 verknüpft.

Variation des CCE durch die GA-Generation.

Tabelle 2 fasst die wichtigsten Merkmale des strukturabgestimmten Deep-Learning-Klassifikators der GA zusammen.

Die vorherige Analyse bestätigt, dass das hybride sequentielle Modell mit drei Schichten (dh CNN mit 349 Einheiten und LSTM mit 60 Einheiten) der beste Klassifikator ist, um das effizienteste EOR-Szenario für ein betrachtetes Ölreservoir auszuwählen. Dieser Klassifikator muss lediglich die normalisierte Matrix der sechs unabhängigen Merkmale empfangen, um die EOR-Klassen einzustufen.

Zur Bewertung der Leistung des Klassifikators wurden die CCE- und Genauigkeitsindizes angewendet. Die mathematischen Ausdrücke dieser Indizes sind in den Gleichungen dargestellt. (2) und (3)41.

wobei N die Nummer der Datenprobe ist; \(n_{k}\) und \(\overline{n}_{k}\) stellen die k-ten tatsächlichen und geschätzten Werte dar.

Tabelle 3 fasst den numerischen Wert des CCE sowie die Genauigkeit des entwickelten Deep-Learning-basierten Klassifikators in den Trainings-, Validierungs- und Testphasen zusammen. Es sollte auch beachtet werden, dass unser Deep-Learning-Klassifikator das korrekte EOR-Szenario von 735 Feldbeispielen mit einer Gesamtgenauigkeit von 95,92 und CCE = 0,1548 identifiziert hat.

Die Verwirrungsmatrix42 ist eine bewährte grafische Technik zur einfachen Beurteilung der Zuverlässigkeit eines Klassifikators. Diese Technik deckt die Anzahl der richtigen und falschen Identifizierungen jeder beteiligten Klasse auf. Tatsächlich geben die in den diagonalen Zellen befindlichen Datensätze die Anzahl der korrekten Identifizierungen für die beteiligten Klassen an. Darüber hinaus handelt es sich bei anderen Datensätzen in der Verwechslungsmatrix um falsche Identifizierungen.

Die mit den Trainings-, Validierungs- und Testphasen verbundenen Verwirrungsmatrizen sind in den Abbildungen dargestellt. 5, 6 und 7. Abbildung 5 verdeutlicht, dass das vorgeschlagene Deep-Learning-Modell 640 von 661 EOR-Szenarien in der Trainingsphase korrekt identifiziert. Darüber hinaus zeigt der entworfene Klassifikator eine hervorragende Leistung bei der korrekten Identifizierung sowohl der Validierungs- als auch der Testgruppen. Tatsächlich werden 43 von 51 Validierungsproben und 19 von 23 ungesehenen Testbeispielen korrekt unterschieden.

Die Verwirrungsmatrix des entworfenen Modells in Bezug auf die Klassifizierung der Trainingsdaten.

Die Verwirrungsmatrix des entworfenen Modells in Bezug auf die Klassifizierung der Validierungsdaten.

Die Verwirrungsmatrix des entworfenen Modells in Bezug auf die Testdatenklassifizierung.

Diese Forschung zielt darauf ab, die Deep-Learning-basierte Struktur zur Auswahl des am besten geeigneten EOR-Szenarios auf der Grundlage der Eigenschaften des Ölreservoirs, einschließlich Tiefe, Porosität, Permeabilität, Schwerkraft, Viskosität und Temperatur, zu nutzen. Die aus der Literatur gesammelten Informationen zu 735 realen EOR-Projekten wurden verwendet, um den betrachteten Klassifikator zu entwerfen und seine Genauigkeit zu überwachen. Die verwendete Datenbank umfasst die EOR-Szenarien, die auf Karbonat-, Sandstein-, lockere Sandstein- und Konglomeratlagerstätten in mehr als 17 Ländern angewendet werden. Die Hyperparameter des Deep-Learning-basierten Klassifikators wurden von der GA optimiert. Es wurde festgestellt, dass die 1D-CNN- und LSTM-Schichten des Klassifikators 349 bzw. 60 Einheiten haben müssen. Der strukturabgestimmte Deep-Learning-Klassifikator identifizierte das korrekte EOR-Szenario von 735 Feldbeispielen mit einer hervorragenden Genauigkeit von 95,92 und einem kleinen CCE von 0,1548. Ein solch zuverlässiges Tool kann den Aufwand, der mit der Prüfung mehrerer EOR-Projekte nach dem Try-and-Error-Verfahren verbunden ist, leicht reduzieren.

Alle in dieser Studie analysierten Daten aus der Literatur sind auf begründete Anfrage beim entsprechenden Autor (Dr. B. Vaferi) erhältlich.

Wang, X. et al. Mechanismus der verbesserten Ölrückgewinnung durch Fuzzy-Ball-Flüssigkeit als neuartiges Ölverdrängungsmittel. Energy Rep. 9, 1447–1463 (2023).

Artikel Google Scholar

Vo Thanh, H., Sugai, Y. & Sasaki, K. Anwendung eines künstlichen neuronalen Netzwerks zur Vorhersage der Leistung der CO2-verstärkten Ölgewinnung und -speicherung in Restölzonen. Wissenschaft. Rep. 10, 1–16 (2020).

Artikel Google Scholar

Cui, K. et al. Stimulierung einheimischer Mikroben durch Optimierung des Wasserschnitts in Reservoirs mit geringer Durchlässigkeit für eine grüne und verbesserte Ölgewinnung. Wissenschaft. Rep. 9, 1–12 (2019).

Artikel Google Scholar

Sun, H., Wang, H. & Lun, Z. Einfluss von Permeabilität und Brüchen auf die Ölmobilisierung unkonventioneller Ressourcen während der CO2-EOR mittels Kernspinresonanz. Wissenschaft. Rep. 11, 1–6 (2021).

ADS Google Scholar

Qu, M. et al. Laborstudie und Feldanwendung von amphiphilen Molybdändisulfid-Nanoblättern zur verbesserten Ölgewinnung. J. Pet. Wissenschaft. Ing. 208, 109695 (2022).

Artikel CAS Google Scholar

Mahdaviara, M., Sharifi, M. & Ahmadi, M. Auf dem Weg zur Bewertung und Überprüfung der Szenarien zur verbesserten Ölgewinnung für Lagerstätten mit geringer Permeabilität mithilfe statistischer und maschineller Lerntechniken. Kraftstoff 325, 124795 (2022).

Artikel CAS Google Scholar

Shen, B., Yang, S., Chen, H., Li, S. & Gao, X. Eine neuartige Co2-Eor-Potenzialbewertungsmethode basierend auf Bo-lightgbm-Algorithmen unter Verwendung von Hybrid Feature Mining. Geoenergiewissenschaft. Ing. https://doi.org/10.2139/ssrn.4170657 (2023).

Artikel Google Scholar

Syed, FI, Muther, T., Dahaghi, AK & Neghabhan, S. CO2-EOR-Leistungsbewertung in einem unkonventionellen Reservoir durch mechanistisch eingeschränkte Proxy-Modellierung. Kraftstoff 310, 122390 (2022).

Artikel CAS Google Scholar

Cho, J., Min, B., Jeong, MS, Lee, YW & Lee, KS Modellierung von CO2-LPG-WAG mit Asphaltenablagerung zur Vorhersage einer gekoppelten verbesserten Ölgewinnungs- und Speicherleistung. Wissenschaft. Rep. 11, 1–14 (2021).

Google Scholar

Taber, JJ, Martin, FD & Seright, RS EOR-Screening-Kriterien überarbeitet – Teil 1: Einführung in Screening-Kriterien und Feldprojekte zur verbesserten Wiederherstellung. SPE-Reserv. Ing. 12, 189–198 (1997).

Artikel CAS Google Scholar

Taber, JJ, Martin, FD & Seright, RS EOR-Screeningkriterien überarbeitet – Teil 2: Anwendungen und Auswirkungen der Ölpreise. SPE-Reserv. Ing. 12, 199–206 (1997).

Artikel CAS Google Scholar

Al Adasani, A. & Bai, B. Analyse von EOR-Projekten und aktualisierte Screening-Kriterien. J. Pet. Wissenschaft. Ing. 79, 10–24 (2011).

Artikel CAS Google Scholar

Mashayekhizadeh, V., Kord, S. & Dejam, M. EOR-Potenzial im Iran. Spez. Spitze. Rev. Porous Media 5, 325–354 (2014).

Artikel Google Scholar

Zhang, N. et al. Entwicklung eines hybriden Bewertungssystems für das EOR-Screening durch Kombination konventioneller Screening-Richtlinien und Random-Forest-Algorithmus. Kraftstoff 256, 115915 (2019).

Artikel CAS Google Scholar

Jensen, TB, Harpole, KJ & Østhus, A. EOR-Screening für Ekofisk. In SPE European Petroleum Conference (Hrsg. Jensen, TB et al.) (OnePetro, 2000).

Google Scholar

Alvarado, V. & Manrique, E. Enhanced Oil Recovery: Field Planning and Development Strategies (Gulf Professional Publishing, 2010).

Buchen Sie Google Scholar

Amini, Y., Fattahi, M., Khorasheh, F. & Sahebdelfar, S. Neuronales Netzwerk modelliert die Wirkung von Oxygenatadditiven auf die Leistung des Pt-Sn/γ-Al 2 O 3-Katalysators bei der Propandehydrierung. Appl. Petrochemie. Res. 3, 47–54 (2013).

Artikel CAS Google Scholar

Surguchev, L. & Li, L. IOR-Bewertung und Anwendbarkeitsscreening unter Verwendung künstlicher neuronaler Netze. Im SPE/DOE Improved Oil Recovery Symposium (Hrsg. Surguchev, L. & Li, L.) (OnePetro, 2000).

Google Scholar

Kamari, A., Nikookar, M., Sahranavard, L. & Mohammadi, AH Effizientes Screening verbesserter Ölgewinnungsmethoden und vorausschauende Wirtschaftsanalyse. Neuronale Berechnung. Appl. 25, 815–824 (2014).

Artikel Google Scholar

Gharbi, RBC Ein Expertensystem zur Auswahl und Gestaltung von EOR-Prozessen. J. Pet. Wissenschaft. Ing. 27, 33–47 (2000).

Artikel CAS Google Scholar

Abass, E. & Song, CL Auswahl künstlicher Intelligenz mit der Möglichkeit, einen neuen Parameter für EOR-Screeningkriterien zu bearbeiten. J. Eng. Wissenschaft. Technol. 6, 628–638 (2011).

Google Scholar

Anikin, I. Wissensdarstellungsmodell und Entscheidungsunterstützungssystem für verbesserte Ölgewinnungsmethoden. in Proceedings of the Intl'conference on Intelligent Systems, Data Mining and Information Technology (ICIDIT '2014) 101–105 (2014).

Moreno, JE, Gurpinar, OM, Liu, Y., Al-Kinani, A. & Cakir, N. EOR-Beratersystem: Ein umfassender Ansatz zur EOR-Auswahl. In der International Petroleum Technology Conference (Hrsg. Moreno, JE et al.) (OnePetro, 2014).

Google Scholar

Zerafat, MM, Ayatollahi, S., Mehranbod, N. & Barzegari, D. Bayesianische Netzwerkanalyse als Werkzeug für effizientes EOR-Screening. In SPE Enhanced Oil Recovery Conference (Hrsg. Zerafat, MM et al.) (OnePetro, 2011).

Google Scholar

Alvarado, V. et al. Auswahl von EOR/IOR-Möglichkeiten basierend auf maschinellem Lernen. In European Petroleum Conference (Hrsg. Alvarado, V.) (OnePetro, 2002).

Google Scholar

Lee, J.-Y., Shin, H.-J. & Lim, J.-S. Auswahl und Bewertung einer verbesserten Ölgewinnungsmethode mithilfe eines künstlichen neuronalen Netzwerks. Geosyst. Ing. 14, 157–164 (2011).

Artikel Google Scholar

Parada, CH & Ertekin, T. Ein neues Screening-Tool für verbesserte Ölgewinnungsmethoden unter Verwendung künstlicher neuronaler Netze. In SPE Western Regional Meeting (Hrsg. Parada, CH & Ertekin, T.) (OnePetro, 2012).

Google Scholar

Khazali, N., Sharifi, M. & Ahmadi, MA Anwendung des Fuzzy-Entscheidungsbaums bei der EOR-Screening-Bewertung. J. Pet. Wissenschaft. Ing. 177, 167–180 (2019).

Artikel CAS Google Scholar

Khrulenko, AA et al. Vorhersage des IOR/EOR-Potenzials basierend auf Reservoirparametern. In IOR 2013–17th European Symposium on Improved Oil Recovery (Hrsg. Khrulenko, AA) cp-342 (European Association of Geoscientists & Engineers, 2013).

Google Scholar

Trujillo, M. et al. Auswahlmethodik zur Screening-Bewertung von Methoden zur verbesserten Ölrückgewinnung. In SPE Latin American and Caribbean Petroleum Engineering Conference (Hrsg. Trujillo, M.) (OnePetro, 2010).

Google Scholar

Zhan, C., Dai, Z., Soltanian, MR & de Barros, FPJ Datenwertanalyse zur Identifizierung heterogener Untergrundstrukturen mit einem stochastischen Deep-Learning-Framework. Wasserressource. Res. 58, e2022WR033241 (2022).

Artikel ADS Google Scholar

Zhao, Y., Wang, H., Xu, N., Zong, G. & Zhao, X. Auf Verstärkungslernen basierende dezentrale fehlertolerante Steuerung für eingeschränkte, miteinander verbundene nichtlineare Systeme. Chaos, Solitonen-Fraktale 167, 113034 (2023).

Artikel MathSciNet Google Scholar

Zhang, K. et al. Schulung effektiver Deep-Reinforcement-Learning-Agenten zur Optimierung des Produktionslebenszyklus in Echtzeit. J. Pet. Wissenschaft. Ing. 208, 109766 (2022).

Artikel CAS Google Scholar

Li, R., Wu, IEEE Trans. Geosci. Remote Sens. 60, 1–20 (2022).

Google Scholar

Huang, CQ et al. Dual-Graph-Aufmerksamkeitsfaltungsnetzwerk für die 3D-Punktwolkenklassifizierung. IEEE Trans. Neuronales Netz. Lernen. Syst. https://doi.org/10.1109/TNNLS.2022.3162301 (2022).

Artikel PubMed Google Scholar

Amini, Y., Gerdroodbary, MB, Pishvaie, MR, Moradi, R. & Monfared, SM Optimale Steuerung von Batch-Kühlkristallisatoren durch Verwendung eines genetischen Algorithmus. Gehäusebolzen. Therm. Ing. 8, 300–310 (2016).

Artikel Google Scholar

Jayalakshmi, T. & Santhakumaran, A. Statistische Normalisierung und Rückpropagation zur Klassifizierung. Int. J. Comput. Theorie Eng. 3, 1793–8201 (2011).

Google Scholar

Kiranyaz, S. et al. 1D-Faltungs-Neuronale Netze und Anwendungen: Eine Umfrage. Mech. Syst. Signalprozess. 151, 107398 (2021).

Artikel Google Scholar

Kumar Pandey, R., Aggarwal, S., Nath, G., Kumar, A. & Vaferi, B. Metaheuristischer Algorithmus integriert neuronale Netze für Bohrlochtestanalysen von Erdöllagerstätten. Wissenschaft. Rep. 12, 1–16 (2022).

Artikel ADS Google Scholar

Heydari, A., Alborzi, ZS, Amini, Y. & Hassanvand, A. Konfigurationsoptimierung eines erneuerbaren Hybridsystems einschließlich Biogasgenerator, Photovoltaikpanel und Windkraftanlage: Partikelschwarmoptimierung und genetische Algorithmen. Int. J. Mod. Physik. C https://doi.org/10.1142/S0129183123500699 (2022).

Artikel Google Scholar

Pandey, RK, Kumar, A. & Mandal, A. Ein robustes, tiefstrukturiertes Vorhersagemodell für die Charakterisierung von Erdöllagerstätten unter Verwendung von Drucktransiententestdaten. Benzin. Res. 7, 204–219 (2022).

Artikel Google Scholar

Wu, MT Verwirrungsmatrix und auf minimalen Kreuzentropiemetriken basierendes Bewegungserkennungssystem im Klassenzimmer. Wissenschaft. Rep. 12, 1–10 (2022).

Google Scholar

Referenzen herunterladen

Abteilung für Erdöl- und Energiestudien, School of Engineering and Technology, DIT University, Dehradun, Indien

Rakesh Kumar Pandey

Fakultät für Chemieingenieurwesen, Zweigstelle Shiraz, Islamische Azad-Universität, Shiraz, Iran

Asghar Gandomkar und Behzad Vaferi

Abteilung für fortgeschrittene Berechnungen, Forschungszentrum für Chemie-, Erdöl- und Polymertechnik, Zweigstelle Shiraz, Islamische Azad-Universität, Shiraz, Iran

Behzad Vaferi

Direktor, Tula's Institute, Dehradun, 248001, Indien

Anil kumar

Fakultät für Ingenieurwissenschaften und Angewandte Wissenschaften, University of Regina, Regina, SK, S4S 0A2, Kanada

Farshid Torabi

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

RKP-Modellentwicklung, Schreiben und Bearbeiten AG und FT Sammeln von Daten, Schreiben und Bearbeiten BV und AK Schreiben und Bearbeiten.

Korrespondenz mit Behzad Vaferi.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Kumar Pandey, R., Gandomkar, A., Vaferi, B. et al. Überwachtes, auf tiefem Lernen basierendes Paradigma zur Überprüfung der Szenarien zur verbesserten Ölförderung. Sci Rep 13, 4892 (2023). https://doi.org/10.1038/s41598-023-32187-2

Zitat herunterladen

Eingegangen: 12. Januar 2023

Angenommen: 23. März 2023

Veröffentlicht: 25. März 2023

DOI: https://doi.org/10.1038/s41598-023-32187-2

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.