Apprendimento profondo supervisionato

Rapporti scientifici volume 13, numero articolo: 4892 (2023) Citare questo articolo

921 accessi

5 citazioni

2 Altmetrico

Dettagli sulle metriche

Gli elevati prezzi del petrolio e la preoccupazione per le limitate riserve petrolifere portano ad un crescente interesse per il recupero potenziato del petrolio (EOR). Selezionare il piano di sviluppo più efficiente è di grande interesse per ottimizzare i costi economici. Pertanto, l'obiettivo principale di questo studio è costruire un nuovo classificatore di deep learning per selezionare il miglior metodo EOR in base alle proprietà della roccia e dei fluidi del giacimento (profondità, porosità, permeabilità, gravità, viscosità) e della temperatura. Il nostro classificatore basato sul deep learning è costituito da una rete neurale convoluzionale unidimensionale (1D), una memoria a breve termine (LSTM) e strati di rete neurale densamente connessi. L'algoritmo genetico è stato applicato per ottimizzare gli iperparametri di questo classificatore ibrido. Il classificatore proposto è sviluppato e testato utilizzando 735 progetti EOR su giacimenti di arenaria, arenaria non consolidata, carbonato e conglomerato in più di 17 paesi. Sia le indagini numeriche che grafiche approvano che il classificatore di deep learning ottimizzato per struttura è uno strumento affidabile per esaminare gli scenari EOR e selezionare quello migliore. Il modello progettato classifica correttamente gli esempi di formazione, convalida e test con una precisione rispettivamente del 96,82%, 84,31% e 82,61%. Ciò significa che solo 30 dei 735 progetti EOR disponibili vengono identificati erroneamente dal classificatore di deep learning proposto. Il modello dimostra anche una piccola entropia incrociata categoriale di 0,1548 per la classificazione delle tecniche di recupero avanzato del petrolio coinvolte. È necessario un classificatore così potente per selezionare il candidato EOR più adatto per un dato giacimento petrolifero con informazioni sul campo limitate.

Il recupero avanzato del petrolio (EOR) aiuta a ottimizzare il fattore di recupero per aumentare i rendimenti dei progetti relativi al petrolio e al gas1,2,3. L’aumento dei prezzi del petrolio crea preoccupazione per le future risorse energetiche e aumenta l’interesse per un maggiore recupero del petrolio nel mondo4,5. I progetti EOR sono spesso costosi e hanno costi iniziali elevati rispetto ai tradizionali progetti secondari6. Un progetto di recupero inadeguato può causare danni permanenti ai serbatoi e aumentare le perdite finanziarie. Queste analisi comprendono test di laboratorio e progressi attraverso la caratterizzazione e la simulazione del giacimento, la progettazione e l'implementazione di test pilota fino alla progettazione finale e all'implementazione dell'intero progetto sul campo. Inoltre, tutte le fasi sopra menzionate comportano investimenti che possono essere rischiosi se non adeguatamente supportati da una fase preliminare di screening economicamente efficiente. Pertanto, un elemento chiave dell’approccio decisionale è, innanzitutto, la valutazione del potenziale EOR per un giacimento target. Questo è l’obiettivo fondamentale raggiunto dalla pratica dello screening EOR, che intende fornire il primo parametro da utilizzare per la riduzione del rischio con un modesto investimento di capitale.

Pertanto, è auspicabile un metodo di screening affidabile e preciso per il recupero avanzato del petrolio per sviluppare serbatoi in esaurimento. Una revisione della letteratura indica che esistono generalmente due tecniche per lo screening dell’EOR: (1) screening dell’EOR convenzionale (CEORS) e (2) screening dell’EOR avanzato (AEORS)7,8,9. La tecnica CEORS considera diversi parametri di screening predefiniti per indicare la probabilità di successo dell'implementazione di ciascuna tecnica EOR. Questi parametri solitamente coprono le proprietà del fluido del giacimento e della roccia (come saturazione del petrolio, gravità API, spessore dello strato, tipo di formazione, permeabilità, viscosità, salinità, temperatura e profondità) per metodi EOR di successo10,11. Gli standard proposti sono stati raggiunti analizzando i progetti EOR di successo eseguiti prima del 199710. Inoltre, altri fattori come le riserve disponibili e i costi di implementazione hanno un impatto tangibile sui criteri proposti. Questi parametri sono stati ampiamente utilizzati nello screening EOR per molti anni e i ricercatori difficilmente hanno tentato di migliorarli/aggiornarli. Al-Adasani e Bai12 hanno esaminato i progetti EOR condotti a partire dal 1998 e hanno migliorato il principio proposto da Taber et al.10. Mashayekhizadeh et al. ha integrato diversi criteri di screening importanti e ha prodotto una serie di criteri di realismo per ciascuna tecnica EOR13. Zhang et al. ha proposto un indice di screening grafico mediante l'analisi dei numerosi progetti di recupero potenziato del petrolio sulla base di parametri statistici14. Jensen et al. considerati CEORS nel campo Ekofisk e i risultati hanno indicato che gli scenari di iniezione alternata di gas (WAG) e di iniezione di aria sono i metodi EOR più adatti15. Alvarado e Manrique hanno sottolineato che il limite notevole dei metodi convenzionali è che forniscono solo una risposta “go/no go”, senza ulteriori dettagli sulle strategie EOR eseguite in campi simili16. D’altro canto, i progressi nel campo dell’informatica hanno creato buone possibilità per un approccio alternativo. Nell’ultimo decennio, la tecnologia assistita da computer ha migliorato gli approcci di screening EOR. Le proprietà delle rocce e dei fluidi del serbatoio e anche la riuscita implementazione dei metodi EOR svolgono un ruolo importante in questo approccio. Questo approccio è stato gradualmente esteso come AEORS. Analogamente ad altri campi di ricerca17, anche i metodi di apprendimento automatico vengono applicati per gestire lo screening EOR18,19. Le strategie di intelligenza artificiale, comprese le reti neurali artificiali (ANN)18,19, i sistemi esperti20,21, l'inferenza fuzzy22 e le reti bayesiane23,24 sono già state coinvolte nel compito di classificazione EOR. I primi studi sull'AEORS sono stati eseguiti da Alvarado et al.25. Hanno considerato 290 progetti EOR in tutto il mondo e hanno applicato metodi di riduzione della dimensionalità e di clustering per creare una mappa esperta per la scelta di un metodo EOR adatto25. La ricerca condotta da Lee et al. comprende l'addestramento di un modello ANN utilizzando 230 scenari di recupero avanzato del petrolio riusciti per identificare lo scenario EOR più adatto per i giacimenti candidati26. Inoltre, Zerafat et al. integrato i criteri proposti da Taber et al. utilizzando 1098 scenari EOR e sviluppando una rete di credenze bayesiane per prevedere i metodi EOR appropriati24. Parada ed Ertekin hanno utilizzato un simulatore di giacimento commerciale per raccogliere i dati necessari per realizzare il treno ANN27. Hanno proposto un nuovo approccio per lo screening dell’EOR e la previsione delle prestazioni degli scenari di recupero avanzato del petrolio27. Sono stati condotti numerosi studi simili anche in questo campo e sono state verificate molte tecniche di machine learning per trovare uno strumento intelligente per lo screening dell’EOR. Khazali et al. ha recentemente addestrato un algoritmo ad albero decisionale fuzzy utilizzando 548 progetti EOR di successo in tutto il mondo per indicare le regole di screening28. Babushkina et al. definire e indagare l'analogia applicando un metodo di clustering k-Means sullo spazio a 6 dimensioni delle rocce serbatoio e sulle proprietà dei fluidi29. Il potenziale EOR di un campo target è stimato mediante interpolazione dei fattori di recupero associati alle tecniche EOR (eventualmente diverse) di progetti appartenenti allo stesso cluster29. Inoltre, Trujillo et al.30 hanno combinato approcci convenzionali e avanzati per classificare il database disponibile in base a un punteggio di somiglianza10,11. Questo approccio ha permesso di identificare tecniche EOR con un alto potenziale di applicazione nei giacimenti petroliferi della Colombia.