سینا شکوری - دانشجوی ارشد مهندسی نفت، دانشکده مهندسی شیمی نفت و گاز، دانشگاه شیراز
میثم محمدزاده شیرازی - استادیار بخش مهندسی نفت، دانشکده مهندسی شیمی نفت و گاز، دانشگاه شیراز
محمد طاهری - استادیار بخش مهندسی و علوم کامپیوتر و فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز،

اسیدکاری چاه های نفت یکی از پرکاربردترین تکنیک ها برای کاهش آسیب سازند و بهبود تولید از چاه های نفت است. در طول عملیات اسیدکاری با تماس اسید در مجاورت نفت خام، احتمال پایداری امولسیون اسید - نفت وجود دارد که سبب ایجاد آسیب به سازند و کاهش تولید نفت خام می گردد؛ بنابراین ضروری است تا سازگاری نفت خام و اسید تزریقی قبل از هر عملیات بررسی شود تا حساسیت نفت نسبت به اسید و میزان مناسب افزودنی های شیمیایی تعیین شود. در چند دهه گذشته به دنبال پیشرفت در زمینه هوش مصنوعی و یادگیری ماشین، این تکنیک های جدید در زمینه های مختلف علمی به عنوان جایگزینی قابل اعتماد به جای تحقیقات آزمایشگاهی پرهزینه استفاده شده اند. در این مطالعه از دو مدل یادگیری ماشین به نام های درخت تصمیم (Decision Tree) و جنگل تصادفی (Random Forest) برای طبقه بندی کلاس پایداری امولسیون اسید - نفت مورداستفاده قرار گرفتند. برای این منظور، یک مجموعه داده شامل ۲۴۹ نقطه داده تجربی متعلق به ۱۱ نمونه نفت خام مختلف جمع آوری شد، سپس با استفاده از مجموعه داده جمع آوری شده، مدل های یادگیری ماشین توسعه داده شد. تجزیه وتحلیل آماری نشان داد مدل جنگل تصادفی بادقت ۸۳/۹۵% برای مجموعه داده آزمایشی عملکرد بهتری نسبت به مدل درخت تصمیم بادقت ۷۰/۹۲% دارد. علاوه بر این، ماتریس درهم ریختگی (Confusion matrix) برای هر دو مدل توسعه یافته ترسیم شد و عملکرد برتر مدل جنگل تصادفی در این ماتریس نشان داده شد.

اسیدکاری، امولسیون اسید - نفت، جنگل تصادفی، درخت تصمیم، یادگیری ماشین