Resumen

Con el rápido desarrollo de la tecnología informática, algunos métodos de aprendizaje automático han comenzado a integrarse gradualmente en la industria petrolera y han alcanzado algunos logros, ya sea en yacimientos convencionales o no convencionales. Este artículo presenta un método alternativo para predecir la heterogeneidad vertical del yacimiento utilizando varias redes neuronales profundas basadas en datos de producción dinámicos. Se adoptó una técnica de simulación numérica para obtener el conjunto de datos requerido, que contiene datos de producción dinámicos calculados bajo diferentes condiciones de yacimientos heterogéneos. Se establecieron modelos de aprendizaje automático mediante redes neuronales profundas, que aprenden y captan mejor las características entre los datos de producción dinámica y la heterogeneidad del yacimiento, para invertir la permeabilidad vertical. Sobre la base de la validación del modelo, los resultados muestran que los métodos de aprendizaje automático tienen un excelente rendimiento en la predicción de la heterogeneidad con el RMSE de 12,71 mD, que estimó efectivamente la permeabilidad de todo el yacimiento. Además, el AARD global del resultado predictivo obtenido por el método CNN se controló en un 11,51%, revelando la mayor precisión en comparación con las redes neuronales BP y LSTM. Y el contraste de permeabilidad, un parámetro importante para caracterizar la heterogeneidad, también puede predecirse con precisión, con una derivación inferior al 10%. Este estudio propone un potencial para la predicción de la heterogeneidad vertical en los yacimientos basándose en métodos de aprendizaje automático.

• Materias:Algoritmos genéticos Geoquímica Análisis de suelos Agua Carbón
• Subjects:Genetic algorithms Geochemistry Soil testing Water Coal
• Palabras claves:datos dinámicos de producción, métodos de aprendizaje automático, red neuronal profunda, técnicas de simulación numérica, condiciones heterogéneas de los yacimientos, desarrollo del ordenador, predicción de la heterogeneidad vertical, modelo de aprendizaje automático, base del modelo, tecnología informática
• Keywords:dynamic production data, machine learning methods, deep neural network, numerical simulation techniques, heterogeneous reservoir conditions, development of computer, vertical heterogeneity prediction, machine learning model, basis of model, computer technology