Skettech科学家及其行业同事已经找到了一种使用机器学习来准确预测岩热导电性的方法。
Skoltech科学家及其行业同事已经找到了一种方法来使用机器学习来准确地预测岩热导电性，这是增强的采油的关键参数。支持Lukoil-Engineering LLC的研究发表在地球物理期刊国际上。
摇滚导热率或其进行热量的能力，是建模石油盆地和设计增强的采油（EOR）方法的关键，即所谓的三级回收，使油田操作员提取比使用基本更高的原油方法。常见的EOR方法是热注射，其中形成的油在诸如蒸汽的各种手段加热，并且该方法需要广泛了解储层内的传热过程。
为此，人们需要直接测量摇滚导热率，但这已成为一种艰巨的任务，尚未在实践中产生令人满意的结果。因此，科学家和从业者转向间接方法，从良好的测井数据中推断出摇滚导热率，该数据提供了岩石物理性质的垂直变化的高分辨率图片。
“今天，三个核心问题排除了直接在非芯间隔内测量导热率的机会。首先，测量所需的时间：石油工程师不能让你长期以来将良好的持有井，因为它在经济上是不合理的。其次，诱导的钻井液对流大幅度影响测量结果。最后，存在不稳定的钻孔形状，这与测量的一些技术方面有关，“Skoltech Ph.D.学生和纸张的第一个作者yury meshalkin说。
已知的基于良好的基于良好的方法可以使用回归方程或理论建模，并且都具有与岩石属性中的数据可用性和非线性有关的缺点。Meshalkin和他的同事在竞争中彼此攻击了七种机器学习算法，以尽可能准确地将导热率重建导热率。他们还选择了一个Lichtenecker-Asaad的理论模型作为这种比较的基准。
研究人员发现，使用来自位于俄罗斯北部的蒂安Pechora盆地的重型油田的真实记录数据，其中，在七种机器学习算法和基本的多个线性回归中，随机森林提供了最准确的基于日志的预测岩热导电性，甚至跳动理论模型。
“如果我们看看今天的实用需求和现有解决方案，我会说我们最好的基于机器的学习结果非常准确。由于情况可能会有所不同，因此难以提供一些定性评估，并且受到某些油田的限制。但我相信石油生产者可以在其EOR设计中使用这种间接预测，“Meshalkin Notes。
科学家认为，机器学习算法是一种有前途的岩石导热率的快速有效预测的框架。这些方法更加直接和稳健，并且不需要外部常见良好的日志数据之外的额外参数。因此，它们可以“从根本上增强地热调查，盆地和石油系统建模和优化热EOR方法的结果”，“纸张结束。
参考：Yury Meshalkin，Anuar Shakirov，Evgeniy Popov，Dmitry koroteev和Irina Gurbatova，2020年5月5日，Geophysical Journational International.doi：Doi：DOI：DODE：DOI：DONI：DO：
10.1093 / gji / ggaa209
