Methoden des maschinellen Lernens zur Vorhersage der CO2-Löslichkeit in Kohlenwasserstoffen

Die Anwendung von Kohlendioxid (CO2) bei der erweiterten Ölrückgewinnung (EOR) hat erheblich zugenommen, wobei die CO2-Löslichkeit in Öl ein Schlüsselparameter zur Vorhersage der CO2-Flutungsleistung ist. Kohlenwasserstoffe sind die Hauptbestandteile von Öl, daher liegt der Schwerpunkt dieser Arbeit auf der Untersuchung der CO2-Löslichkeit in Kohlenwasserstoffen. Aktuelle experimentelle Messungen sind jedoch zeitaufwendig, und Zustandsgleichungen können rechnerisch komplex sein. Um diese Herausforderungen zu bewältigen, haben wir ein KI-basiertes Modell entwickelt, um die CO2-Löslichkeit in Kohlenwasserstoffen unter unterschiedlichen Bedingungen von Temperatur, Druck, Molmasse und Dichte vorherzusagen. Mit experimentellen Daten aus früheren Studien haben wir die Löslichkeit mit vier Modellen des maschinellen Lernens trainiert und vorhergesagt: Support-Vector-Regressionsmodell (SVR), Extreme Gradient Boosting (XGBoost), Random Forest (RF) und Mehrschicht-Perzeptron (MLP). Unter den vier Modellen hat das XGBoost-Modell die beste Vorhersageleistung mit einem R2 von 0,9838. Darüber hinaus zeigen die Sensitivitätsanalyse und die Bewertung der relativen Auswirkungen jedes Eingabeparameters, dass die Vorhersage der CO2-Löslichkeit in Kohlenwasserstoffen am empfindlichsten auf den Druck reagiert. Des Weiteren wurden unsere trainierten Modelle mit bestehenden Modellen verglichen, was eine höhere Genauigkeit und Anwendbarkeit unserer Modelle demonstriert. Die entwickelten Modelle auf Basis des maschinellen Lernens bieten einen effizienteren und genaueren Ansatz zur Vorhersage der CO2-Löslichkeit in Kohlenwasserstoffen, was zur Weiterentwicklung CO2-bezogener Anwendungen in der Erdölindustrie beitragen könnte.