基于机器学习估算油气采收率：依赖数据库的精度与可靠性
机器学习
2023-12-05 v1
摘要
随着人工智能的近期进展，机器学习（ML）方法已成为石油工程中一个有吸引力的工具，特别是在储层表征方面。一个关键的储层属性是烃类采收率（RF），其准确估算将为钻井和生产策略提供决定性见解。因此，本研究旨在通过各种储层特征（如孔隙度、渗透率、压力和含水饱和度）借助ML估算勘探的烃类RF。我们应用了三种基于回归的模型，包括极端梯度提升（XGBoost）、支持向量机（SVM）和逐步多元线性回归（MLR），以及三个数据库的各种组合来构建ML模型并估算石油和/或天然气RF。使用两个数据库和交叉验证方法，我们评估了ML模型的性能。在每次迭代中，分别使用90%和10%的数据来训练和测试模型。然后使用第三个独立数据库来进一步评估所构建的模型。对于石油和天然气RF，我们发现XGBoost模型比SVM和MLR模型更准确地估算了训练集和测试集的RF。然而，所有模型在独立数据库上的表现都不令人满意。结果表明，ML算法高度依赖且对其所基于训练的数据库敏感。统计检验显示，这种不令人满意的性能是因为训练数据集中输入特征和目标变量的分布与独立数据库中的分布显著不同（p值 < 0.05）。
引用
@article{arxiv.2210.12491,
title = {Estimating oil and gas recovery factors via machine learning: Database-dependent accuracy and reliability},
author = {Alireza Roustazadeh and Behzad Ghanbarian and Mohammad B. Shadmand and Vahid Taslimitehrani and Larry W. Lake},
journal= {arXiv preprint arXiv:2210.12491},
year = {2023}
}