Resumen

En las fases media y tarda del desarrollo del petrleo pesado, la formulacin de un plan de explotacin cientfico y razonable es la clave para mejorar la eficiencia de los yacimientos. En la actualidad, la estimulacin por vapor sigue siendo el principal mtodo de desarrollo del petrleo pesado. La determinacin de su produccin no slo est limitada por las condiciones de la caldera, las tuberas de superficie y las condiciones del pozo, sino tambin por la capacidad de absorcin de vapor de la formacin. Por lo tanto, el anlisis local no puede lograr el mejor efecto en todo el proceso de estimulacin con vapor. El modelo de mecanismo es el mtodo ms utilizado para predecir la produccin de petrleo pesado, pero demasiados supuestos idealizados hacen que los resultados de la prediccin difieran bastante de la situacin real de produccin. Con el rpido desarrollo del aprendizaje automtico, se puede lograr una rpida prediccin de la produccin a travs de los datos de campo. Sin embargo, cuando el rango del parmetro real es pequeo, la capacidad de generalizacin del modelo es dbil y se produce un sobreajuste. Basndose en los antecedentes anteriores, este trabajo realiza un estudio de acoplamiento del flujo de la tubera de vapor de superficie, el flujo del pozo de inyeccin de vapor y el flujo de la formacin desde la perspectiva del aprendizaje automtico basado en datos. En primer lugar, basndose en el coeficiente de correlacin y la seleccin de caractersticas de Random Forest, se clasific la importancia de las caractersticas que afectan a la produccin de lquido y al contenido de agua. En segundo lugar, mediante la comparacin de cinco algoritmos tpicos de aprendizaje automtico, seleccionamos el modelo de prediccin ptimo y las caractersticas ptimas adecuadas para la muestra de este trabajo. Por ltimo, debido a la escasa capacidad de generalizacin del modelo de prediccin, muestreamos el modelo de mecanismo y aumentamos la diversidad de muestras de sequedad del vapor. Encontramos que la precisin del modelo de prediccin ptimo mejora y la capacidad de generalizacin del modelo mejora tras el entrenamiento de nuevas muestras. Este trabajo proporciona una nueva idea para la prediccin de la produccin de los yacimientos de petrleo pesado estimulados por vapor, que es til para el desarrollo eficiente de los yacimientos de petrleo pesado.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Etapas media y tardía; Explotación de petróleo pesado; Estimulación con vapor; Aprendizaje automático; Predicción de la producción
• Keywords:Middle; Late stages; Heavy oil development; Steam stimulation; Machine learning; Production prediction