Apprentissage profond supervisé | Gansu Rouge Soleil Co., Ltd

Rapports scientifiques volume 13, Numéro d'article : 4892 (2023) Citer cet article

695 accès

5 Citations

2 Altmétrique

Détails des métriques

Les prix élevés du pétrole et les inquiétudes concernant les réserves de pétrole limitées conduisent à un intérêt accru pour la récupération assistée du pétrole (EOR). La sélection du plan de développement le plus efficace est d'un grand intérêt pour optimiser le coût économique. Par conséquent, l'objectif principal de cette étude est de construire un nouveau classificateur d'apprentissage en profondeur pour sélectionner la meilleure méthode EOR en fonction des propriétés de la roche et du fluide du réservoir (profondeur, porosité, perméabilité, gravité, viscosité) et de la température. Notre classificateur basé sur l'apprentissage profond se compose d'un réseau neuronal convolutif unidimensionnel (1D), d'une mémoire longue à court terme (LSTM) et de couches de réseau neuronal densément connectées. L'algorithme génétique a été appliqué pour régler les hyperparamètres de ce classifieur hybride. Le classificateur proposé est développé et testé à l'aide de 735 projets EOR sur des réservoirs de grès, de grès non consolidé, de carbonate et de conglomérat dans plus de 17 pays. Les enquêtes numériques et graphiques confirment que le classificateur d'apprentissage en profondeur adapté à la structure est un outil fiable pour filtrer les scénarios EOR et sélectionner le meilleur. Le modèle conçu classe correctement les exemples de formation, de validation et de test avec une précision de 96,82 %, 84,31 % et 82,61 %, respectivement. Cela signifie que seuls 30 des 735 projets EOR disponibles sont incorrectement identifiés par le classificateur d'apprentissage en profondeur proposé. Le modèle démontre également une petite entropie croisée catégorielle de 0,1548 pour la classification des techniques de récupération assistée du pétrole impliquées. Un classificateur aussi puissant est nécessaire pour sélectionner le candidat EOR le plus approprié pour un réservoir de pétrole donné avec des informations de terrain limitées.

La récupération assistée du pétrole (EOR) aide à optimiser le facteur de récupération pour augmenter les rendements des projets pétroliers et gaziers1,2,3. L'augmentation des prix du pétrole suscite des inquiétudes quant aux ressources énergétiques futures et accroît l'intérêt pour la récupération assistée du pétrole dans le monde4,5. Les projets EOR sont souvent coûteux et ont des coûts initiaux plus élevés que les projets secondaires traditionnels6. Un projet de récupération inapproprié peut entraîner des dommages permanents dans les réservoirs et augmenter les pertes financières. Ces analyses comprennent des tests en laboratoire et des progrès à travers la caractérisation et la simulation du réservoir, la conception et la mise en œuvre d'essais pilotes jusqu'à la conception finale et la mise en œuvre du projet complet sur le terrain. De plus, toutes les phases susmentionnées impliquent des investissements qui peuvent être risqués s'ils ne sont pas correctement soutenus par une phase préliminaire de dépistage rentable. Ainsi, un élément clé de l'approche décisionnelle est d'abord et avant tout l'évaluation du potentiel EOR d'un réservoir cible. C'est l'objectif critique atteint par la pratique du dépistage EOR, qui est censé fournir la première mesure à utiliser pour la réduction des risques avec un investissement en capital modeste.

Par conséquent, une méthode fiable et précise de criblage de récupération améliorée du pétrole est souhaitable pour développer des réservoirs en voie d'épuisement. Une revue de la littérature indique qu'il existe généralement deux techniques de dépistage EOR : (1) le dépistage EOR conventionnel (CEORS) et (2) le dépistage EOR avancé (AEORS)7,8,9. La technique CEORS prend en compte plusieurs paramètres de dépistage prédéfinis pour indiquer la probabilité d'une mise en œuvre réussie de chaque technique EOR. Ces paramètres couvrent généralement les propriétés du fluide du réservoir et de la roche (telles que la saturation en huile, la gravité API, l'épaisseur de la couche, le type de formation, la perméabilité, la viscosité, la salinité, la température et la profondeur) pour les méthodes EOR réussies10,11. Ces normes proposées ont été réalisées en analysant les projets EOR réussis réalisés avant 199710. De plus, d'autres facteurs tels que la réserve disponible et les coûts de mise en œuvre ont un impact tangible sur les critères proposés. Ces paramètres ont été largement utilisés dans le dépistage EOR pendant de nombreuses années et les chercheurs ont à peine essayé de les améliorer/mettre à jour. Al-Adasani et Bai12 ont passé en revue les projets EOR menés depuis 1998 et ont amélioré le principe proposé par Taber et al.10. Mashayekhizadeh et al. intégré plusieurs critères de sélection majeurs et produit un ensemble de critères de réalisme pour chaque technique EOR13. Zhang et al. ont proposé un indice graphique de sélection par analyse des nombreux projets de récupération assistée du pétrole sur la base des paramètres statistiques14. Jensen et al. ont considéré le CEORS dans le champ d'Ekofisk et les résultats ont indiqué que les scénarios d'injection de gaz en alternance d'eau (WAG) et d'injection d'air sont les méthodes EOR les plus appropriées15. Alvarado et Manrique ont souligné que la limitation notable des méthodes conventionnelles est qu'elles ne fournissent qu'une réponse "go/no go", sans détails supplémentaires sur les stratégies EOR réalisées dans des domaines similaires16. D'autre part, les progrès de l'informatique ont créé une bonne chance pour une approche alternative. Au cours de la dernière décennie, la technologie assistée par ordinateur a amélioré les approches de dépistage EOR. Les propriétés de la roche et du fluide du réservoir ainsi que la mise en œuvre réussie des méthodes EOR jouent un rôle important dans cette approche. Cette approche a été doucement étendue sous le nom d'AEORS. Comme dans d'autres domaines de recherche17, des méthodes d'apprentissage automatique sont également appliquées pour gérer le dépistage EOR18,19. Les stratégies d'intelligence artificielle, y compris les réseaux de neurones artificiels (ANN)18,19, les systèmes experts20,21, l'inférence floue22 et les réseaux bayésiens23,24 ont déjà été engagées dans la tâche de classification EOR. Les premières études sur l'AEORS ont été réalisées par Alvarado et al.25. Ils ont examiné 290 projets EOR dans le monde et appliqué des méthodes de réduction de la dimensionnalité et de regroupement pour créer une carte experte permettant de choisir une méthode EOR appropriée25. Les recherches menées par Lee et al. comprend la formation d'un modèle ANN à l'aide de 230 scénarios réussis de récupération améliorée du pétrole afin d'identifier le scénario EOR le plus approprié pour les réservoirs candidats26. De plus, Zerafat et al. intégré les critères proposés par Taber et al. en utilisant 1098 scénarios EOR et développé un réseau Bayesian Belief pour prédire les méthodes EOR appropriées24. Parada et Ertekin ont utilisé un simulateur de réservoir commercial pour collecter les données nécessaires à la réalisation du train ANN27. Ils ont proposé une nouvelle approche pour le dépistage EOR et la prévision des performances des scénarios de récupération assistée du pétrole27. Plusieurs études similaires ont également été menées dans ce domaine et de nombreuses techniques d'apprentissage automatique ont été vérifiées pour trouver un outil intelligent pour le dépistage EOR. Khazali et al. a récemment formé un algorithme d'arbre de décision flou en utilisant 548 projets EOR réussis dans le monde entier pour indiquer les règles de sélection28. Babushkina et al. définir et étudier l'analogie en appliquant une méthode de regroupement k-Means sur l'espace à 6 dimensions des propriétés des roches et des fluides du réservoir29. Le potentiel EOR d'un champ cible est estimé par interpolation des facteurs de recouvrement associés aux techniques EOR (éventuellement différentes) des projets appartenant à un même cluster29. De plus, Trujillo et al.30 ont combiné des approches conventionnelles et avancées pour classer la base de données disponible selon un score de similarité10,11. Cette approche a permis d'identifier des techniques EOR à fort potentiel d'application dans les champs pétrolifères colombiens.

Par conséquent, des études préliminaires minutieuses et détaillées doivent être réalisées pour réduire l'incertitude et minimiser le risque d'échec du processus de sélection EOR.

De nouvelles classes de techniques intelligentes, à savoir le cadre d'apprentissage en profondeur31, l'apprentissage par renforcement en profondeur32,33, le réseau de croyances profondes34, le réseau de convolution de l'attention à deux graphes35 ont récemment été suggérées pour surveiller (modélisation, contrôle et classification) le comportement de problèmes même compliqués. Par conséquent, le principal problème abordé dans ce travail consiste à sélectionner la technique EOR la plus appropriée pour le réservoir cible à l'aide d'un nouveau classificateur basé sur l'apprentissage en profondeur. Ce nouveau classificateur se compose de LSTM (mémoire longue à court terme), de CNN 1D (réseau de neurones à convolution unidimensionnel) et de couches de réseau de neurones densément connectés (DNN). De plus, l'algorithme génétique (GA)36 a été utilisé pour ajuster systématiquement les hyperparamètres du classifieur. Le classificateur proposé nécessite un minimum d'informations (c'est-à-dire la profondeur, la porosité, la perméabilité, la gravité du pétrole, la viscosité et la température) pour classer les scénarios EOR potentiels et suggérer le meilleur. Un outil aussi puissant peut réduire les coûts associés aux essais sur le terrain et aider à la sélection de la méthode EOR avec une plus grande confiance.

Les données de 735 projets EOR en champ réel appliqués sur des réservoirs de carbonate, de grès, de grès non consolidé et de conglomérat dans plus de 17 pays ont été collectées à partir de la littérature et utilisées pour développer le classificateur basé sur l'apprentissage en profondeur. Ces informations incluent la porosité (%), la profondeur (ft), la gravité de l'huile (API), la perméabilité (md), la viscosité (cP) et la température (°F) comme variables indépendantes. De plus, les scénarios EOR appliqués, y compris l'inondation d'eau (Classe 0), l'inondation de CO2 (Classe 1), l'inondation d'hydrocarbures (Classe 2), l'eau alternée de gaz (Classe 3), l'inondation de polymères (Classe 4), l'inondation de surfactants (Classe 5), les récupérations thermiques telles que l'inondation de vapeur et la combustion in situ (Classe 6) sont les cibles qui doivent être identifiées.

La figure 1 présente la distribution de la lithologie du réservoir disponible dans les projets EOR en champ réel collectés. Cette figure montre les réservoirs de carbonate et de conglomérat avec les nombres maximum et minimum d'opérations EOR dans la base de données disponible. De plus, la Fig. 2 différencie les projets EOR en fonction de l'emplacement où ils sont exécutés. On peut voir que la banque de données collectée comprend les informations EOR de plus de 17 pays du monde entier.

La distribution des méthodes EOR basées sur la lithologie du réservoir.

Répartition totale des données disponibles par pays.

Lors du prétraitement des données, la normalisation du score z (Eq. (1)) a été appliquée pour mettre à l'échelle l'entité d'entrée37.

où AV et NV représentent les valeurs réelles et normalisées d'une variable. De plus, μ et σ signifient la moyenne et l'écart type de la variable.

Les étiquettes numériques (0 à 6) représentant les différentes méthodes EOR ont été converties en une matrice binaire dans la présente étude.

Comme expliqué précédemment, ce travail vise à appliquer un réseau structuré en profondeur à trois couches hybride empilé linéairement composé de 1D CNN, LSTM et DNN pour cribler les méthodes EOR basées sur les propriétés et la température de la roche et des fluides du réservoir.

La figure 3 présente la structure générale du classifieur hybride utilisé dans cette étude. La valeur numérique des variables indépendantes normalisées (vecteur v × 1) entre dans le CNN 1D pour l'apprentissage des caractéristiques38. Le CNN a k filtres de taille R1 × 1 qui sont convolués avec la matrice d'entrée pour produire k cartes de caractéristiques. L'unité linéaire rectifiée (ReLU) activée CNN donne la sortie de forme v × k. La couche LSTM avec p unités et une fonction d'activation de tangente hyperbolique (Tanh)39 fournit une connexion de rétroaction pour transmettre les informations pertinentes. Enfin, la sortie LSTM délivre à la couche DNN avec des neurones D et une fonction d'activation softmax pour fournir les résultats de classification finaux.

Structure du classificateur hybride à structure profonde à trois couches.

L'ensemble de données disponible (735 échantillons) a été divisé en trois groupes sans chevauchement, à savoir la formation (90 %, 661 échantillons), la validation (7 %, 51 échantillons) et les tests (3 %, 23 échantillons). Le premier groupe comprend des échantillons qui aident à ajuster les paramètres réglables du classificateur et à accomplir l'étape d'apprentissage. D'autre part, le groupe de validation est utilisé pour évaluer les performances du modèle lors de l'étape d'apprentissage. Le dernier groupe a été appliqué pour évaluer les performances de classification du modèle formé par rapport à certains échantillons invisibles et surveiller sa capacité de généralisation.

Étant donné que le nombre de variables indépendantes et de classes EOR est dicté par le problème étudié, il suffit de réguler le nombre d'unités dans les couches CNN et LSTM. Le GA qui fournit une solution optimale ou quasi optimale d'une fonction objectif prédéfinie à partir de l'espace du problème40, a été utilisé dans ce travail pour régler ces deux hyperparamètres. La population a été initialisée à l'aide d'un échantillonnage aléatoire et l'AG a évolué sur 500 générations à l'aide de sélection de tournoi, de croisement à un point et d'opérateurs de mutation. L'AG minimise la fonction d'entropie croisée catégorique (CCE) pour obtenir les valeurs optimales des hyperparamètres, y compris le nombre de filtres dans la couche CNN (unités Conv1D) et le nombre d'unités dans la couche LSTM (unités LSTM). Le tableau 1 fournit les limites de l'espace de recherche qui sont utilisées lors de l'optimisation GA.

La figure 4 présente une variation du CCE par la génération GA lorsque le nombre de filtres dans la couche CNN et d'unités dans la couche LSTM est modifié dans les plages prédéfinies. Cette figure montre que le CCE minimum de 0,1050 est atteint dans la 143e génération. Ce CCE minimum est associé aux unités Conv1D et LSTM comme 349 et 60, respectivement.

Variation du CCE par la génération GA.

Le tableau 2 résume les principales caractéristiques du classificateur d'apprentissage profond à ajustement structurel par l'AG.

L'analyse précédente approuve que le modèle séquentiel hybride à trois couches (c'est-à-dire CNN avec 349 unités et LSTM avec 60 unités) est le meilleur classificateur pour sélectionner le scénario EOR le plus efficace pour un réservoir de pétrole considéré. Ce classificateur n'a besoin que de recevoir la matrice normalisée des six caractéristiques indépendantes pour classer les classes EOR.

Les indices CCE et de précision ont été appliqués pour évaluer les performances du classificateur. Les expressions mathématiques de ces indices sont présentées dans les équations. (2) et (3)41.

où N est le numéro de l'échantillon de données ; \(n_{k}\) et \(\overline{n}_{k}\) présentent les ke valeurs réelles et estimées.

Le tableau 3 résume la valeur numérique du CCE ainsi que la précision du classificateur conçu basé sur l'apprentissage en profondeur dans les étapes de formation, de validation et de test. Il convient également de noter que notre classificateur d'apprentissage en profondeur a identifié le scénario EOR correct de 735 exemples de terrain avec une précision globale de 95,92 et CCE = 0,1548.

La matrice de confusion42 est une technique graphique bien établie pour évaluer facilement la fiabilité d'un classifieur. Cette technique révèle le nombre d'identifications correctes et incorrectes de chaque classe impliquée. En effet, les enregistrements situés dans les cases diagonales indiquent le nombre d'identifications correctes pour les classes concernées. De plus, d'autres enregistrements dans la matrice de confusion sont des identifications incorrectes.

Les matrices de confusion associées aux étapes de formation, de validation et de test sont présentées dans les Fig. 5, 6 et 7, respectivement. La figure 5 précise que le modèle d'apprentissage en profondeur proposé identifie correctement 640 des 661 scénarios EOR au stade de la formation. De plus, le classificateur conçu présente des performances exceptionnelles dans l'identification correcte des groupes de validation et de test. En effet, il distingue correctement 43 des 51 échantillons de validation et 19 des 23 exemples de test inédits.

La matrice de confusion du modèle conçu liée à la classification des données d'entraînement.

La matrice de confusion du modèle conçu liée à la classification des données de validation.

La matrice de confusion du modèle conçu liée à la classification des données de test.

Cette recherche vise à utiliser la structure basée sur l'apprentissage en profondeur pour sélectionner le scénario EOR le plus approprié en fonction des caractéristiques du réservoir de pétrole, notamment la profondeur, la porosité, la perméabilité, la gravité, la viscosité et la température. Les informations sur 735 projets EOR en champ réel recueillies à partir de la littérature ont été utilisées pour concevoir le classificateur considéré et surveiller sa précision. La banque de données utilisée comprend les scénarios EOR appliqués sur les réservoirs de carbonate, de grès, de grès non consolidé et de conglomérat dans plus de 17 pays. Les hyperparamètres du classificateur basé sur l'apprentissage en profondeur ont été ajustés par l'AG. Il a été constaté que les couches 1D CNN et LSTM du classificateur doivent avoir respectivement 349 et 60 unités. Le classificateur d'apprentissage en profondeur adapté à la structure a identifié le scénario EOR correct de 735 exemples de terrain avec une excellente précision de 95,92 et un petit CCE de 0,1548. Un tel outil fiable peut facilement réduire les coûts associés à la vérification de plusieurs projets EOR basés sur la procédure d'essai et d'erreur.

Toutes les données analysées dans cette étude recueillies à partir de la littérature sont disponibles sur demande raisonnable auprès de l'auteur correspondant (Dr B. Vaferi).

Wang, X. et al. Mécanisme de récupération améliorée de l'huile par fluide à billes floues en tant que nouvel agent de déplacement d'huile. Energy Rep. 9, 1447–1463 (2023).

Article Google Scholar

Vo Thanh, H., Sugai, Y. & Sasaki, K. Application d'un réseau de neurones artificiels pour prédire les performances de la récupération et du stockage améliorés du CO2 dans les zones pétrolières résiduelles. Sci. Rép. 10, 1–16 (2020).

Article Google Scholar

Cui, K. et al. Stimulation des microbes indigènes en optimisant la coupe d'eau dans les réservoirs à faible perméabilité pour la récupération verte et assistée du pétrole. Sci. Rep. 9, 1–12 (2019).

Article Google Scholar

Sun, H., Wang, H. & Lun, Z. Effet de la perméabilité et des fractures sur la mobilisation du pétrole des ressources non conventionnelles pendant l'EOR CO2 à l'aide de la résonance magnétique nucléaire. Sci. Rép. 11, 1–6 (2021).

Annonces Google Scholar

Qu, M. et al. Étude en laboratoire et application sur le terrain de nanofeuillets amphiphiles de bisulfure de molybdène pour la récupération assistée du pétrole. J.Pet. Sci. Ing. 208, 109695 (2022).

Article CAS Google Scholar

Mahdaviara, M., Sharifi, M. & Ahmadi, M. Vers l'évaluation et la sélection des scénarios de récupération améliorée du pétrole pour les réservoirs à faible perméabilité à l'aide de techniques statistiques et d'apprentissage automatique. Carburant 325, 124795 (2022).

Article CAS Google Scholar

Shen, B., Yang, S., Chen, H., Li, S. & Gao, X. Une nouvelle méthode d'évaluation du potentiel Co2-Eor basée sur des algorithmes Bo-lightgbm utilisant l'exploration de caractéristiques hybrides. Géoénergie Sci. Ing. https://doi.org/10.2139/ssrn.4170657 (2023).

Article Google Scholar

Syed, FI, Muther, T., Dahaghi, AK et Neghabhan, S. Évaluation des performances de l'EOR du CO2 dans un réservoir non conventionnel grâce à une modélisation par procuration mécaniste contrainte. Carburant 310, 122390 (2022).

Article CAS Google Scholar

Cho, J., Min, B., Jeong, MS, Lee, YW & Lee, KS Modélisation de CO2-LPG WAG avec dépôt d'asphaltène pour prédire les performances couplées de récupération et de stockage améliorées du pétrole. Sci. Rép. 11, 1–14 (2021).

Google Scholar

Taber, JJ, Martin, FD & Seright, RS Critères de sélection EOR revisités—Partie 1 : Introduction aux critères de sélection et aux projets de terrain de récupération améliorée. SPE Réserv. Ing. 12, 189-198 (1997).

Article CAS Google Scholar

Taber, JJ, Martin, FD & Seright, RS Critères de sélection EOR revisités—Partie 2 : Applications et impact des prix du pétrole. SPE Réserv. Ing. 12, 199-206 (1997).

Article CAS Google Scholar

Al Adasani, A. & Bai, B. Analyse des projets EOR et critères de sélection mis à jour. J.Pet. Sci. Ing. 79, 10–24 (2011).

Article CAS Google Scholar

Mashayekhizadeh, V., Kord, S. & Dejam, M. Potentiel EOR en Iran. Spéc. Haut. Rev. Porous Media 5, 325–354 (2014).

Article Google Scholar

Zhang, N. et al. Développement d'un système de notation hybride pour le dépistage EOR en combinant des directives de dépistage conventionnelles et un algorithme de forêt aléatoire. Carburant 256, 115915 (2019).

Article CAS Google Scholar

Jensen, TB, Harpole, KJ & Østhus, A. Dépistage EOR pour Ekofisk. Dans SPE European Petroleum Conference (eds Jensen, TB et al.) (OnePetro, 2000).

Google Scholar

Alvarado, V. & Manrique, E. Enhanced Oil Recovery: Field Planning and Development Strategies (Gulf Professional Publishing, 2010).

Réserver Google Scholar

Amini, Y., Fattahi, M., Khorasheh, F. & Sahebdelfar, S. Réseau neuronal modélisant l'effet des additifs oxygénés sur les performances du catalyseur Pt–Sn/γ-Al 2 O 3 dans la déshydrogénation du propane. Appl. Pétrochimie. Rés. 3, 47–54 (2013).

Article CAS Google Scholar

Surguchev, L. & Li, L. Évaluation de l'IOR et dépistage de l'applicabilité à l'aide de réseaux de neurones artificiels. Dans SPE/DOE Improved Oil Recovery Symposium (eds Surguchev, L. & Li, L.) (OnePetro, 2000).

Google Scholar

Kamari, A., Nikookar, M., Sahranavard, L. & Mohammadi, AH Examen efficace des méthodes de récupération assistée du pétrole et analyse économique prédictive. Calcul neuronal. Appl. 25, 815–824 (2014).

Article Google Scholar

Gharbi, RBC Un système expert pour sélectionner et concevoir des processus EOR. J.Pet. Sci. Ing. 27, 33-47 (2000).

Article CAS Google Scholar

Abass, E. & Song, CL Sélection de l'intelligence artificielle avec capacité de modifier un nouveau paramètre pour les critères de sélection EOR. J.Eng. Sci. Technol. 6, 628–638 (2011).

Google Scholar

Anikin, I. Modèle de représentation des connaissances et système d'aide à la décision pour les méthodes améliorées de récupération du pétrole. dans Actes de la conférence internationale sur les systèmes intelligents, l'exploration de données et les technologies de l'information (ICIDIT '2014) 101–105 (2014).

Moreno, JE, Gurpinar, OM, Liu, Y., Al-Kinani, A. & Cakir, N. Système de conseil EOR : Une approche globale de la sélection EOR. Dans International Petroleum Technology Conference (eds Moreno, JE et al.) (OnePetro, 2014).

Google Scholar

Zerafat, MM, Ayatollahi, S., Mehranbod, N. & Barzegari, D. Analyse de réseau bayésienne comme outil pour un dépistage EOR efficace. Dans SPE Enhanced Oil Recovery Conference (eds Zerafat, MM et al.) (OnePetro, 2011).

Google Scholar

Alvarado, V. et al. Sélection d'opportunités EOR/IOR basées sur l'apprentissage automatique. Dans Conférence européenne sur le pétrole (éd. Alvarado, V.) (OnePetro, 2002).

Google Scholar

Lee, J.-Y., Shin, H.-J. & Lim, J.-S. Sélection et évaluation d'une méthode de récupération améliorée du pétrole à l'aide d'un réseau de neurones artificiels. Géosyst. Ing. 14, 157-164 (2011).

Article Google Scholar

Parada, CH & Ertekin, T. Un nouvel outil de criblage pour améliorer les méthodes de récupération du pétrole à l'aide de réseaux de neurones artificiels. Dans SPE Western Regional Meeting (eds Parada, CH & Ertekin, T.) (OnePetro, 2012).

Google Scholar

Khazali, N., Sharifi, M. & Ahmadi, MA Application de l'arbre de décision flou dans l'évaluation de dépistage EOR. J.Pet. Sci. Ing. 177, 167-180 (2019).

Article CAS Google Scholar

Khrulenko, AA et al. Prévision du potentiel IOR/EOR en fonction des paramètres du réservoir. Dans IOR 2013–17th European Symposium on Improved Oil Recovery (éd. Khrulenko, AA) cp-342 (Association européenne des géoscientifiques et ingénieurs, 2013).

Google Scholar

Trujillo, M. et al. Méthodologie de sélection pour l'évaluation préalable des méthodes de récupération assistée du pétrole. Dans SPE Latin American and Caribbean Petroleum Engineering Conference (éd. Trujillo, M.) (OnePetro, 2010).

Google Scholar

Zhan, C., Dai, Z., Soltanian, MR & de Barros, FPJ Analyse de la valeur des données pour l'identification de structures souterraines hétérogènes avec un cadre d'apprentissage en profondeur stochastique. Ressource en eau. Rés. 58, e2022WR033241 (2022).

Annonces d'article Google Scholar

Zhao, Y., Wang, H., Xu, N., Zong, G. et Zhao, X. Contrôle décentralisé tolérant aux pannes basé sur l'apprentissage par renforcement pour les systèmes non linéaires interconnectés contraints. Chaos, Solitons Fractals 167, 113034 (2023).

Article MathSciNet Google Scholar

Zhang, K. et al. Formation d'agents efficaces d'apprentissage par renforcement profond pour une optimisation de la production en temps réel tout au long du cycle de vie. J.Pet. Sci. Ing. 208, 109766 (2022).

Article CAS Google Scholar

Li, R., Wu, X., Tian, H., Yu, N. et Wang, C. Réseaux de croyance profonde basés sur l'analyse factorielle mémétique pré-entraînée hybride pour l'inversion électromagnétique transitoire. IEEE Trans. Géosci. Sens à distance 60, 1–20 (2022).

Google Scholar

Huang, CQ et al. Réseau de convolution d'attention à double graphe pour la classification de nuages de points 3D. IEEE Trans. Réseau neuronal. Apprendre. Syst. https://doi.org/10.1109/TNNLS.2022.3162301 (2022).

Article PubMed Google Scholar

Amini, Y., Gerdroodbary, MB, Pishvaie, MR, Moradi, R. & Monfared, SM Contrôle optimal des cristalliseurs de refroidissement par lots en utilisant un algorithme génétique. Goujon de cas. Thermie. Ing. 8, 300–310 (2016).

Article Google Scholar

Jayalakshmi, T. & Santhakumaran, A. Normalisation statistique et rétropropagation pour la classification. Int. J. Comput. Théorie Ing. 3, 1793–8201 (2011).

Google Scholar

Kiranyaz, S. et al. Réseaux de neurones convolutifs 1D et applications : une enquête. Méca. Syst. Processus de signalisation. 151, 107398 (2021).

Article Google Scholar

Kumar Pandey, R., Aggarwal, S., Nath, G., Kumar, A. & Vaferi, B. L'algorithme métaheuristique a intégré des réseaux de neurones pour les analyses de puits de test des réservoirs de pétrole. Sci. Rép. 12, 1–16 (2022).

Annonces d'article Google Scholar

Heydari, A., Alborzi, ZS, Amini, Y. & Hassanvand, A. Optimisation de la configuration d'un système hybride renouvelable comprenant un générateur de biogaz, un panneau photovoltaïque et une éolienne : optimisation des essaims de particules et algorithmes génétiques. Int. J.Mod. Phys. C https://doi.org/10.1142/S0129183123500699 (2022).

Article Google Scholar

Pandey, RK, Kumar, A. & Mandal, A. Un modèle de prédiction robuste et structuré en profondeur pour la caractérisation des réservoirs de pétrole à l'aide de données d'essai transitoires de pression. Essence. Rés. 7, 204-219 (2022).

Article Google Scholar

Wu, MT Matrice de confusion et système de reconnaissance de mouvement basé sur des métriques d'entropie croisée minimale dans la salle de classe. Sci. Rép. 12, 1–10 (2022).

Google Scholar

Télécharger les références

Département d'études pétrolières et énergétiques, École d'ingénierie et de technologie, Université DIT, Dehradun, Inde

Rakesh Kumar Pandey

Département de génie chimique, branche de Shiraz, Université islamique d'Azad, Shiraz, Iran

Asghar Gandomkar et Behzad Vaferi

Département de calculs avancés, Centre de recherche en ingénierie chimique, pétrolière et polymère, branche de Shiraz, Université islamique d'Azad, Shiraz, Iran

Behzad Vaferi

Directeur, Tula's Institute, Dehradun, 248001, Inde

Anil kumar

Faculté de génie et des sciences appliquées, Université de Regina, Regina, SK, S4S 0A2, Canada

Farchid Torabi

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Développement, rédaction et édition de modèles RKP Collecte de données AG et FT, rédaction et édition BV et AK rédaction et édition.

Correspondance à Behzad Vaferi.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Kumar Pandey, R., Gandomkar, A., Vaferi, B. et al. Paradigme supervisé basé sur l'apprentissage en profondeur pour examiner les scénarios de récupération assistée du pétrole. Sci Rep 13, 4892 (2023). https://doi.org/10.1038/s41598-023-32187-2

Télécharger la citation

Reçu : 12 janvier 2023

Accepté : 23 mars 2023

Publié: 25 mars 2023

DOI : https://doi.org/10.1038/s41598-023-32187-2

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.