Key points are not available for this paper at this time.
الملخص لقد تم دراسة استخدام الماء الغازي الم-carbonated (CWAG) كإحدى تقنيات استرجاع النفط (EOR) بشكل موسع، مما يظهر وعدًا كبيرًا في احتجاز الكربون واستخدامه وتخزينه (CCUS). الهدف من عملنا هو إنشاء نموذج موثوق ودقيق لتعلم الآلة وسير عمل تحسين يقوم بتحسين معلمات التشغيل ويتنبأ بدقة بمستويات الإنتاج، مما يزيد من كفاءة عملية CWAG. بعد تطوير النموذج العددي للخزان باستخدام برامج المحاكاة العددية التقليدية، قامت هذه الدراسة ببناء 5000 نموذج عددي متميز. كل من هذه النماذج تميزت بمتغيرات جيولوجية للخزان، ومعلمات سائلة، وظروف ابتدائية، بالإضافة إلى معلمات التشغيل. لتقييم أداء النماذج العددية للخزان، تم حساب الإنتاج التراكمي للنفط وتخزين الكربون كموشرات تنبؤية وتقييمية. تم استخدام مجموعة تدريبية تتكون من 70 % من البيانات المتاحة، بينما كانت الـ 30 % المتبقية مجموعة تقييم. هذه التقسيمات ضمنت تقييمًا قويًا لأساليب الانحدار في تعلم الآلة المستخدمة في الدراسة. ثم تم تطبيق سبعة أساليب تعلم آلي للانحدار لإجراء التحليل، مما مكن من فحص شامل لمجموعة البيانات، وتسهيل عمليات التدريب والتقييم. بعد عملية التقييم، حقق خوارزم XGBoost أفضل أداء في التنبؤ بين جميع الأساليب. بناءً على هذه النتيجة، تم تطوير سير عمل تحسين فعال وموثوق من خلال دمج نموذج XGBoost المدرب مع خوارزمية وراثية هجينة. كان الهدف من سير العمل هو زيادة الكفاءة والدقة في تحسين المعلمات المختلفة المتعلقة بعملية تشغيل CO2-WAG. يسهل هذا النظام المدمج تحسين المعلمات المتعلقة بفيد المياه في تصميم تطوير الحقول، بالإضافة إلى التنبؤ بنتائج الإنتاج تحت ظروف جيولوجية متنوعة. الهدف هو تحقيق كفاءة عالية لاسترجاع النفط وتخزين الكربون في آن واحد. من خلال إدراج مجموعة أوسع من العوامل في الاعتبار، يظهر نموذج XGBoost معدل دقة مثير للإعجاب يصل إلى 98%. يبرز هذا التحسن الكبير في الدقة تفوق نموذج XGBoost على طرق المحاكاة العددية التقليدية. يظهر سير العمل البحثي وسير العمل الأمثل الذي تم تطويرهما في هذه الدراسة إمكانية جيدة للتوسع، مما يجعلها قابلة للتطبيق في مجموعة واسعة من طرق EOR خارج CO2-WAG. يمكن استخدامها بفاعلية في التنبؤ وتحسين فيضان المياه، فيضان المواد الكيميائية، وتقنيات EOR الأخرى.
دراسة Qi وآخرون (Mon,) هذه المسألة.