基于PSO-GBDT的CO2-原油最小混相压力预测模型

摘要：

随着"2060年碳中和目标"的提出,中国油田开发领域CO2气驱采油技术又一次得到了广泛关注.CO2气驱采油既可以实现对碳资源的地下封存,又能够对油田三次采油起到主要作用.但是其驱油效果会受到CO2和原油混相与否的制约,所以需要对CO2-原油体系最小混相压力(minimum miscibility pressure,MMP)进行精准预测.而传统预测方法时间成本及误差过大,人工智能算法因其计算效率及准确率高便脱颖而出.使用随机森林算法对MMP主控因素进行分析,筛选出CO2、H2 S、C1、C2-C5、N2的摩尔分数及油藏温度、平均临界温度等特征变量,采用MLP、GA-RBF、RF、PSO-GBDT、AdaBoost SVR 5种智能算法建立MMP预测模型.为此,使用了160行的数据库进行预测分析,采用5种不同评估指标及可视化图像对不同模型结果进行对比分析,并验证模型的准确性.最终测试效果证明,在数据有限的情况下,PSO-GBDT模型具有最佳的MMP预测效果,PSO-GBDT平均绝对百分比误差(mean absolute percentage error,MAPE)为4.89％,均方根误差(root mean square error,RMSE)为0.83,测试集R2为0.96.此模型精度最高,灵活性、鲁棒性最强.

关键词：人工智能、最小混相压力、MMP预测、PSO-GBDT、AdaBoost SVR

所属期刊栏目：22

分类号：TE341(油气田开发与开采)

资助基金：国家科技重大专项2016ZX05016-006-004

在线出版日期：2022-08-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：7866-7872