به‌کارگیری مدل‌های یادگیری ماشین برای پیش‌بینی تشکیل امولسیون اسید و نفت در آزمایش‌های استاتیک اسیدکاری با استفاده از بانک اطلاعات ترکیبی

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده مهندسی شیمی و نفت، دانشگاه صنعتی شریف، تهران ایران

10.22078/pr.2024.5452.3426

چکیده

در طول مدت بهره‌برداری از مخازن نفتی، معمولاً نواحی نزدیک به دیواره‌ چاه به دلایل مختلفی همچون جابه‌جایی ذرات سازندی، تورم رس و موارد دیگر در معرض آسیب‌های مختلف قرار گرفته و نرخ تولید/تزریق از آن‌ها به‌شدت کاهش می‌یابد. یکی از پرکاربردترین روش‌های انگیزش چاه برای رفع این آسیب‌های سازندی روش اسیدکاری است که در طی آن اسید و مواد شیمیایی ( افزایه‌ها) به داخل سازند تزریق می‌شوند تا با انحلال سنگ در سازندهای کربناته تراوایی سازند را افزایش دهند. با این وجود، عدم بررسی آزمایشگاهی سازگاری سیالات تزریقی با سیالات سازندی در مرحله طراحی می‌تواند منجر به ایجاد آسیب‌های القائی همچون تشکیل امولسیون اسید در نفت شود. آزمایش‌های آزمایشگاهی که به‌منظور بررسی سازگاری سیالات مذکور و انتخاب سیالات تزریقی مناسب صورت می‌گیرند، زمان‌بر، پرهزینه و نیز از لحاظ ایمنی خطرناک می‌باشند. به همین منظور در این پژوهش سعی شده‌است تا نتایج اولیه آزمایش‌های امولسیونی با استفاده از مدل‌های مبتنی بر داده و در زمان کوتاه‌تر پیش‌بینی شوند. بنابراین داده‌های مؤثر بر نتایج این آزمایش‌ها، شامل متغیرهای نوع و غلظت اسید، افزایه‌های ضد امولسیون، ضد لخته، کاهنده کشش سطحی، کاهنده یون آهن و همچنین ویژگی‌های ۱۳ نوع نفت از مخازن مختلف مانند گرانروی، چگالی و غلظت یون فریک، جمع‌آوری و به‌عنوان ورودی‌های یک مجموعه داده ثبت شدند. سپس مدل‌های طبقه‌بندی نظارت‌شده شامل الگوریتم جنگل تصادفی، ماشین بردار پشتیبان، پرسپترون چندلایه و تقویت گرادیان شدید جهت پیش‌بینی خروجی آزمایش‌های ضد امولسیون برروی مجموعه داده جمع‌آوری‌شده اعمال شدند. با توجه به کمبود داده‌های آزمایشگاهی از تکنیک آماری بیش نمونه‌گیری مصنوعی به منظور تولید نمونه داده‌ مصنوعی و بهبود عملکرد مدل‌های هوش مصنوعی استفاده گردید. براساس نتایج به‌دست آمده، روش تقویت گرادیان شدید با پنج تخمین‌گر به‌ترتیب با مقادیر کوهن-کاپای 79/0 و 523/0 برای مجموعه داده‌های آموزش و آزمایش بهترین عمکرد را داشته است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Utilizing Machine Learning Classification Models for Acid-Oil Emulsion Prediction in Laboratory Acidizing Static Tests by Using a Hybrid Databank

نویسندگان [English]

  • Sepideh Atrbarmohammadi
  • Hossein Kheirollahi
  • Shahab Ayatollahi
  • S.Mahmoud Reza Pishvaie
Department of Chemical and Petroleum Engineering, Sharif University of Technology, Tehran, Iran
چکیده [English]

During the lifetime of an oil well, the near wellbore areas are usually exposed to formation damage due to factors such as fines migration, clay swelling, etc., significantly reducing the oil well›s productivity and injectivity rates. One of the widely used well-stimulation methods to remove formation damage is acidizing in which the acid and chemicals (additives) are injected into the formation to increase the permeability of the formation by dissolving carbonate rocks. However, the lack of laboratory examination of the compatibility of injection fluids with formation fluids at the design stage results in induced damage such as acid emulsion in oil in formation. The conduction of laboratory tests in order to execute compatibility between fluids is time-consuming, expensive, and has issues related to safety. This research aims to predict the primary results of anti-emulsion tests using data-driven models in a short time. For this purpose, the most influential data on the results of these tests, including type and concentration of acid, and additives like anti-emulsion, anti-sludge, surface tension reducer, and iron ion reducer, as well as properties of 13 different types of oil from various reservoirs, such as viscosity, density, and ferric ion concentration, were collected and recorded as inputs to a data set. Then, some supervised classification models including random forest, support vector machine, multi-layer perceptron, and extreme gradient boosting algorithms have been implemented to predict the output of anti-emulsion tests. Additionally, the statistical technique SMOTE (Synthetic Minority Oversampling Technique) was employed to generate artificial data samples and enhance AI models’ performance. Ultimately, results indicate that the extreme gradient boosting with five estimators achieved the best performance with Cohen›s kappa values of 0.79 and 0.523 for training and testing datasets, respectively.

کلیدواژه‌ها [English]

  • Acidizing
  • Acid-Oil Emulsion
  • Acidizing Static Tests
  • Machine Learning
  • Classification
  • SMOTE

مراجع

 
[1]. Economides, M. J., & Nolte, K. G. (1989). Reservoir stimulation. 2, 6-10. Englewood Cliffs, NJ: Prentice Hall.##
[2]. Dai C. and Zhao F. (2019). Oilfield Chemistry, Oilfield, Chemistry 1–395, , doi: 10.1007/978-981-13-2950-0. ##
[3]. Shirazi, M. M., Ayatollahi, S., & Ghotbi, C. (2019). Damage evaluation of acid-oil emulsion and asphaltic sludge formation caused by acidizing of asphaltenic oil reservoir. Journal of Petroleum Science and Engineering, 174, 880-890. doi: 10.1016/j.petrol.2018.11.051. ##
[4]. Ganeeva, Y. M., Yusupova, T. N., Barskaya, E. E., Valiullova, A. K., Okhotnikova, E. S., Morozov, V. I., & Davletshina, L. F. (2020). The composition of acid/oil interface in acid oil emulsions. Petroleum Science, 17, 1345-1355. doi.org/10.1007/s12182-020-00447-9. ##
[5]. Pourakaberian, A., Ayatollahi, S., Shirazi, M. M., Ghotbi, C., & Sisakhti, H. (2021). A systematic study of asphaltic sludge and emulsion formation damage during acidizing process: Experimental and modeling approach. Journal of Petroleum Science and Engineering, 207, 109073, doi: 10.1016/j.petrol.2021.109073. ##
[6]. Shakouri, S., & Mohammadzadeh-Shirazi, M. (2023). Modeling of asphaltic sludge formation during acidizing process of oil well reservoir using machine learning methods. Energy, 285, 129433, doi: 10.1016/j.energy.2023.129433. ##
[7]. Chavanne, C., & Perthuis, H. G. (1992, November). A Fluid selection expert system for matrix treatments. In SPE Europec featured at EAGE Conference and Exhibition? (pp. SPE-24995). SPE. doi: 10.2118/24995-MS. ##
[8]. Ebrahim, A. S., Garrouch, A. A., & Lababidi, H. M. (2014). Automating sandstone acidizing using a rule-based system. Journal of Petroleum Exploration and Production Technology, 4, 381-396. doi: 10.1007/s13202-014-0104-3. ##
[9].Koroteev, D., & Tekic, Z. (2021). Artificial intelligence in oil and gas upstream: Trends, challenges, and scenarios for the future. Energy and AI, 3, 100041, doi: 10.1016/j.egyai.2020.100041. ##
[10]. Sircar, A., Yadav, K., Rayavarapu, K., Bist, N., & Oza, H. (2021). Application of machine learning and artificial intelligence in oil and gas industry. Petroleum Research, 6(4), 379-391, doi: 10.1016/j.ptlrs.2021.05.009. ##
[11]. Mohaghegh, S. D. (2005). Recent developments in application of artificial intelligence in petroleum engineering. Journal of Petroleum Technology, 57(04), 86-91.doi.org/10.2118/89033-JPT. ##
[12]. Alkinani, H. H., Al-Hameedi, A. T., Dunn-Norman, S., Flori, R. E., Alsaba, M. T., & Amer, A. S. (2019). Applications of artificial neural networks in the petroleum industry. A review. In SPE Middle East oil and gas show and conference (p. D032S063R002). SPE.doi.org/10.2118/195072-MS. ##
[13]. Mohaghegh, S. (2000). Virtual-intelligence applications in petroleum engineering: Part 1—Artificial neural networks. Journal of Petroleum Technology, 52(09), 64-73. doi.org/10.2118/58046-JPT. ##
[14]. Mohaghegh, S., Arefi, R., Ameri, S., Aminiand, K., & Nutter, R. (1996). Petroleum reservoir characterization with the aid of artificial neural networks. Journal of Petroleum Science and Engineering, 16(4), 263-274.doi.org/10.1016/S0920-4105(96)00028-9. ##
[15]. Ebrahim, A. S., Garrouch, A. A., & Lababidi, H. M. (2014). Automating sandstone acidizing using a rule-based system. Journal of Petroleum Exploration and Production Technology, 4, 381-396, doi: 10.1007/s13202-014-0104-3. ##
[16]. خیرالهی، ح.، چهاردولی، م. و سیم‌جو م. (1403). انتخــاب بهتریــن ناحیــه پیادهســازی پایلــوت بـرای روش‌هـای تزریـق آب پایـه بـا اسـتفاده از الگوریتم‌هــای تصمیم‌گیــری چنــد شــاخصه، پژوهش نفت، 34(5)، 19-3. doi: 10.22078/pr.2024.5315.3361. ##
[17]. خیرالهی، ح.، زاید، م.، سبحانی، ص.، چهاردولی، م. و سیم‌جو، م. (1402). غربال‌گری روش‌های ازدیادبرداشت از مخازن نفتی با استفاده از تلفیق روش‌های هوش‌مصنوعی، پژوهش نفت، 33(5)، 62-51،.doi: 10.22078/pr.2023.5151.3284. ##
[18]. کریمی، ع. و صادق‌نژاد، س. (1401). بازسازی تصویر سنگ مخزن متراکم با شبکه عصبی مولد رقابتی، پژوهش نفت، 32(5)، 94-83. doi: 10.22078/pr.2022.4843.3165. ##
[19]. رجبی هشتجین، م. و جعفری‌بهبهانی، ت. (1396). بهبود مدل پیش‌بینی رفتار رئولوژیکی سیال حفاری با استفاده از شبکه عصبی، پژوهش نفت، 27(6)، 58-46. doi: 10.22078/pr.2017.2619.2211. ##
[20]. Sumotarto, U., Hill, A. D., & Sepehrnoori, K. (1995, October). An integrated sandstone acidizing fluid selection and simulation to optimize treatment design. In SPE Annual Technical Conference and Exhibition? (pp. SPE-30520). SPE., doi: 10.2118/30520-ms. ##
[21]. Kellogg, R. P., Chessum, W., & Kwong, R. (2018, April). Machine learning application for wellbore damageremoval in the wilmington field. In SPE Western Regional Meeting (p. D041S011R001). SPE., doi: 10.2118/190037-ms. ##
[22]. Sidaoui, Z., Abdulraheem, A., & Abbad, M. (2018, April). Prediction of optimum injection rate for carbonate acidizing using machine learning. In SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition (pp. SPE-192344). SPE., doi: 10.2118/192344-ms. ##
[23]. Xue, H., Liu, P. L., Li, N. Y., Luo, Z. F., & Zhao, L. Q. (2012). Expert system for acidizing based on BP neural network. Advanced Materials Research, 548, 438-443, doi: 10.4028/www.scientific.net/AMR.548.438. ##
[24]. Van Domelen, M. S., Ford, W. G. F., & Chiu, T. J. (1992, October). An expert system for matrix acidizing treatment design. In SPE Annual Technical Conference and Exhibition? (pp. SPE-24779). SPE. doi: 10.2523/24779-ms. ##
[25]. Alkathim, M., Aljawad, M. S., Hassan, A., Alarifi, S. A., & Mahmoud, M. (2023). A data-driven model to estimate the pore volume to breakthrough for carbonate acidizing. Journal of Petroleum Exploration and Production Technology, 13(8), 1789-1806, doi: 10.1007/s13202-023-01642-1. ##
[26]. Hassan, A., Aljawad, M. S., & Mahmoud, M. (2021). An artificial intelligence-based model for performance prediction of acid fracturing in naturally fractured reservoirs. ACS Omega, 6(21), 13654-13670.doi: 10.1021/acsomega.1c00809. ##
[27]. Dargi, M., Khamehchi, E., & Mahdavi Kalatehno, J. (2023). Optimizing acidizing design and effectiveness assessment with machine learning for predicting post-acidizing permeability. Scientific Reports, 13(1), 11851, doi: 10.1038/s41598-023-39156-9. ##
[28]. O. Sanni, O. Adeleke, K. Ukoba, J. Ren, and T.-C. Jen, “Prediction of inhibition performance of agro-waste extract in simulated acidizing media via machine learning,” Fuel, Vol. 356, 2024, doi: https://doi.org/10.1016/j.fuel.2023.129527. ##
[29]. Kurniawan, C., Azis, M. M., & Ariyanto, T. (2023). Supervised machine learning and multiple regression approach to predict successfulness of matrix acidizing in hydraulic fractured sandstone formation. ASEAN Journal of Chemical Engineering, 23(1), 113-127.doi.org/10.22146/ajche.78255. ##
[30]. Blackburn, C. R., Abel, J. C., & Day, R. (1990). An expert system to design and evaluate matrix acidizing. SPE Computer Applications, 2(06), 15-17, doi: https://doi.org/10.2118/20337-PA. ##
[31]. Chiu, T. J., Caudell, E. A., & Wu, F. L. (1993). Development of an expert system to assist with complex fluid design. SPE Computer Applications, 5(01), 18-20. doi.org/10.2118/24416-PA. ##
[32]. Hua, J., Xiong, Z., Lowey, J., Suh, E., & Dougherty, E. R. (2005). Optimal number of features as a function of sample size for various classification rules. Bioinformatics, 21(8), 1509-1515. doi: 10.1093/bioinformatics/bti171. ##
[33]. Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic Minority Over-Sampling Technique. Journal of artificial intelligence research, 16, 321-357. doi: 10.1613/jair.953. ##
[34]. Blagus, R. and Lusa, L. (2013). SMOTE for high-dimensional class-imbalanced data, BMC Bioinformatics, 14. 2013. doi: 10.1186/1471-2105-14-106. ##
[35]. Tanha, J., Abdi, Y., Samadi, N., Razzaghi, N., & Asadpour, M. (2020). Boosting methods for multi-class imbalanced data classification: an experimental review. Journal of Big Data, 7, 1-47, doi: 10.1186/s40537-020-00349-y. ##
پژوهش نفت
دوره 34، 1403-6 - شماره پیاپی 139
بهمن و اسفند 1403
صفحه 73-91

فایل ها

هم رسانی

ارجاع به این مقاله

آمار