基于机器学习的低渗透砂岩聚合物驱采收率预测

摘要：

在恶劣的油藏条件下,化学驱提高采收率方法的可行性主要在实验室进行,以探究化学驱方案在现场实施的可能效果,但此类实验通常昂贵且费时.为了提高筛选效率和研究变量关系,进行了 3 个聚合物驱油实验项目,其次通过构建 14 种机器学习基础模型来预测低渗透砂岩聚合物驱油实验的效率.结果表明:多层感知机(multi-layer perception,MLP)、随机树(random forest,RF)和极限梯度上升(extreme gradient boosting,XGB)模型表现最佳,它们在测试集的确定系数均为 0.99,均方根误差分别为0.855、0.836 和0.859.模型表明特征重要性由强至弱依次为含水率、累积注入孔隙体积、渗透率、非均质系数、孔隙度、聚合物注入量、聚合物浓度、注入压力.研究成果为室内物理低渗透砂岩聚合物驱提供了可靠的数据,给出了14 种机器学习模型预测性能直接对比,建立了高拟合高泛化高稳定低误差的低渗透砂岩聚合物驱预测模型,有助于化学驱方案快速在低渗透储层应用,以及降低失败风险.

关键词：采收率预测、机器学习、化学驱油、低渗透砂岩、多层感知机(MLP)、极限梯度上升(XGB)、随机森林(RF)

所属期刊栏目：23

分类号：TE331(油气田开发与开采)

资助基金：黑龙江省自然科学基金项目LH2021E014

在线出版日期：2023-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：12045-12056