تطبيق التعلم الآلي لتوقع إنتاجية الآبار في خزانات الغاز الضيق

يؤدي التوقع الدقيق لإنتاجية الآبار دورًا هامًا في صياغة خطط تطوير الخزانات. ومع ذلك، فإن الطرق التقليدية لتوقع إنتاجية الآبار تفتقر إلى الدقة في خزانات الغاز الضيق؛ لذلك، تقيم هذه الورقة الكميات العلاقة بين التدفق المفتوح المطلق والمعايير الأساسية لخزانات الغاز الضيق في لينكسينغ من خلال التحليل الإحصائي. يتم الحصول على العوامل المهيمنة من خلال النظر في نظريات هندسة الخزانات، ويقترح أسلوب جديد قائم على التعلم الآلي لتوقع إنتاجية الآبار في خزانات الغاز الضيق. يتم تقييم قابلية نموذج توقع الإنتاجية من خلال التعلم الآلي وتحليل البيانات الميدانية. بالاقتران مع تحليل منحنى الانحدار النموذجي، يتم توقع الاسترداد النهائي المقدر (EUR) لبئر واحد في خزان الغاز الضيق في نطاق مناسب. تشمل نتائج الدراسة 10 معلمات (مثل تشبع الغاز) تم تحديدها كعوامل تحكم مهيمنة لإنتاجية البئر والعوامل الجيولوجية التي تؤثر على الإنتاجية في هذه المنطقة مقارنة مع معلمات التكسير. وفقًا لنتائج التوقعات للنماذج الثلاث، فإن R2 لنماذج الانحدار باستخدام المتجهات الداعمة (SVR) ، وعودة الانتشار (BP) ، وغابة عشوائية (RF) هي 0.72 و0.87 و0.91 على التوالي. تشير النتائج إلى أن نموذج RF لديه توقع أكثر دقة. بالإضافة إلى ذلك، فإن نموذج RF أكثر ملاءمة للآبار المتوسطة والعالية الإنتاجية بناءً على البيانات الميدانية الفعلية. بناءً على هذا النموذج، تم التحقق من أن إنتاجية الآبار ذات الإنتاج المنخفض تتأثر بإنتاج الماء. تؤكد هذه الدراسة على موثوقية النموذج وقيمة تطبيقه من خلال توقع الاحتياطات القابلة للاسترداد لبئر واحدة.