Resumen

Con el rápido desarrollo de la inteligencia artificial, los métodos de aprendizaje automático se han convertido en tecnologías clave para la exploración, el desarrollo y la producción inteligentes en los yacimientos de petróleo y gas. Este artículo presenta un flujo de trabajo que analiza los principales factores de control de la variación de la saturación del petróleo utilizando algoritmos de aprendizaje automático basados en datos estáticos y dinámicos de yacimientos reales. El conjunto de datos de este estudio, generado a partir de 468 pozos, incluye el espesor, la permeabilidad, la porosidad, la relación neto-bruto (NTG), la variación de la producción de petróleo (OPV), la variación de la producción de agua (WPV), la variación del corte de agua (WCV), la variación de la producción de líquidos vecinos (NLPV), la variación de la inyección de agua vecina (NWIV) y la variación de la saturación de petróleo (OSV). Se ha implementado un flujo de trabajo de procesamiento de datos para sustituir los valores atípicos y aumentar la precisión del modelo. En el conjunto de datos se han probado y comparado un total de 10 algoritmos de aprendizaje automático. Los algoritmos Random Forest (RF) y Gradient Boost (GBT) son óptimos y se seleccionan para realizar un análisis cuantitativo de los principales factores de control. Los resultados del análisis muestran que NWIV es la variable con mayor grado de impacto en OSV; el factor de impacto es de 0,276. Se proponen medidas de optimización para el desarrollo de este tipo de yacimiento de arenisca basadas en el análisis de los principales factores de control. Este estudio propone un caso de referencia para el análisis cuantitativo de la saturación de petróleo basado en métodos de aprendizaje automático que ayudará a los ingenieros de yacimientos a tomar mejores decisiones.

• Materias:Dióxido de carbono Perforación de pozos de minas Yacimientos minerales Minería Minas y minería Geofluidos
• Subjects:Carbon dioxide Shaft sinking Mineral deposits Mining Mines and mining Geofluids
• Palabras claves:principales factores de control, variación de la saturación del petróleo, métodos de aprendizaje automático, análisis cuantitativo, factores del petróleo, variación de la inyección de agua, tipo de arenisca, grado de impacto, algoritmo de aprendizaje automático, variación del corte de agua
• Keywords:main controlling factors, oil saturation variation, machine learning methods, quantitative analysis, factors of oil, water injection variation, kind of sandstone, degree of impact, machine learning algorithm, water cut variation