基于先进类比聚类方法的贝叶斯网络油气藏采收率评估
机器学习
2022-04-04 v1
摘要
该工作聚焦于油气藏参数的建模与填补，具体而言，是利用贝叶斯网络（BNs）预测石油采收率（RF）的问题。采收率预测对油气行业至关重要，因为它直接影响公司的利润。然而，当前的 RF 预测方法复杂且计算成本高昂。此外，它们需要大量数据，并且在油藏开发的早期阶段难以约束。为解决该问题，我们提出了一种 BN 方法，并描述了提高参数预测准确性的途径。考虑了 BNs 的多种训练超参数，并采用了最优者。考虑了结构与参数学习、数据离散化与归一化、目标油藏类比的子采样、网络聚类与数据过滤等方法。最后，使用一个合成油藏的物理模型来验证 BNs 对 RF 的预测。所有基于 BNs 的建模方法均完全覆盖了物理模型预测的 RF 的置信区间，但同时需要更少的建模时间和数据，这表明其可在油藏开发早期阶段使用。该工作的主要成果可视为建立了一种基于在少量数据上构建且极少依赖专家知识的贝叶斯网络来研究油藏参数的方法论。该方法论在采收率填补问题上进行了测试。
引用
@article{arxiv.2204.00413,
title = {Oil reservoir recovery factor assessment using Bayesian networks based on advanced approaches to analogues clustering},
author = {Petr Andriushchenko and Irina Deeva and Anna Bubnova and Anton Voskresenskiy and Nikita Bukhanov and Nikolay Nikitin and Anna Kalyuzhnaya},
journal= {arXiv preprint arXiv:2204.00413},
year = {2022}
}
备注
46 pages, submitted to MDPI Energies