کاربرد الگوریتم های یادگیری عمیق برای تحلیل و پیش بینی داده های تولید در مخازن هیدروکربنی

پیش بینی آینده ی تولید یکی از مهم ترین موضوعات در مرحله ی بهره برداری از میادین هیدروکربنی است. به دلیل محدودیت های موجود در رویکردهای سنتی، تجزیه و تحلیل و پیش بینی داده های تولید، که از نوع سری های زمانی هستند، فرایندی چالشی می باشد. با توسعه ی هوش مصنوعی، الگوریتم هایی با کارایی بالا، پیش بینی تولید قابل اعتماد را از دیدگاه داده ممکن می سازند. در این مطالعه، روش هایی مبتنی بر یادگیری عمیق برای پیش بینی سریع و دقیق آینده ی تولید توسعه داده شده اند. همچنین، این مطالعه یک تنظیم جدید برای پیش بینی سری های زمانی ارائه می کند. این تنظیم چندین ویژگی سری زمانی را به طور همزمان پیش بینی می کند و پیش بینی خروجی چندگانه نام دارد. پس از یک پیش پردازش جامع بر روی داده های خام جمع آوری شده، روش های توسعه داده شده بر روی یک مجموعه داده های تولید پیش پردازش شده به منظور پیش بینی آینده ی تولید، آموزش داده شده و آزمایش می شوند. سپس نتایج مدل های ساخته شده در حالت پیش بینی کوتاه مدت آینده ی تولید، ارزیابی و اعتبار سنجی می شود. در این حالت، پایگاه داده شامل داده های عددی تولید می باشد که توسط یک شبکه ی عصبی حافظه ی بلند مدت کوتاه (LSTM) برای پیش بینی تولید مورد استفاده قرار گرفتند. نتایج حاصل از این مدل توانست فشار ته چاهی، میزان نفت تجمعی، و نرخ های تولید نفت و گاز را برای مدت زمان کوتاه و با دقت مناسبی، به طور همزمان پیش بینی کند.

Keywords:

پیش بینی تولید , یادگیری عمیق , شبکه ی عصبی حافظه ی بلند مدت کوتاه , داده کاوی , پیش بینی کوتاه مدت تولید , پیش بینی خروجی چندگانه