机器学习与纳米粒子技术在提高天然气凝析液储层中凝析液回收率方面的应用

《Canadian Journal of Chemical Engineering》：Machine learning and nanoparticles for enhancing condensate recovery in gas condensate reservoirs

冷凝液积聚导致天然气产量下降，本研究通过纳米颗粒（SiO2、CaCO3、Al2O3）实验与六种机器学习模型（SVM、RF、ANN、LR、LSBoost、贝叶斯）结合，发现SVM模型在CaCO3条件下使采收率提升达18%。

　　

摘要

在天然气生产过程中，井筒附近会形成凝析油积聚，导致气体流量减少和储层产量下降。本研究提出了一种混合方法，将使用纳米颗粒（SiO₂、CaCO₃、Al₂O₃）改变岩石润湿性的实验方法与先进的机器学习（ML）模型相结合，以提高天然气凝析油储层的凝析油回收率。在具有储层代表性的条件下进行了实验室岩心注水实验，并使用六种机器学习算法对实验数据进行了分析：支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）、线性回归（LR）、最小二乘提升（LSBoost）和贝叶斯方法。在所有模型中，SVM在所有类型的纳米颗粒应用中均表现出最高的预测性能。对于CaCO₃，在剩余凝析油饱和度（Re）条件下，该模型的预测准确率为 R²?=?0.998，均方根误差（RMSE）为?=?0.473，平均绝对百分比误差（MAPE）为?=?0.491%；在剩余油饱和度（Sor）条件下，预测准确率为 R²?=?0.987，RMSE为?=?0.258，MAPE为?=?2.458%。对于SiO₂，在剩余凝析油饱和度（Re）和剩余油饱和度（Sor）条件下，预测准确率均为 R²?=?0.997，RMSE为?=?0.569，MAPE为?=?0.551%。对于Al₂O₃，在剩余凝析油饱和度（Re）条件下，预测准确率为 R²?=?0.978，RMSE为?=?1.776，MAPE为?=?1.682%；在剩余油饱和度（Sor）条件下，预测准确率为 R²?=?0.966，RMSE为?=?0.725，MAPE为?=?4.762%。总体而言，CaCO₃纳米颗粒带来了最高的回收率提升效果，使凝析油回收率提高了多达18%。将纳米颗粒辅助的提高采收率（EOR）技术与基于机器学习的预测方法相结合，为优化复杂天然气凝析油储层的回收率提供了一种有效的策略。