基于GMDH与混合RSM模型预测细粒诱导渗透率下降及其在低盐度提高原油采收率中的应用

《Results in Engineering》：Physics–Informed Machine Learning Frameworks for Predicting Fines Migration–Induced Permeability Decline: Implications for Enhanced Oil Recovery

　　

• •
  汇编了一个包含 582 组岩心驱替实验的数据集，用于训练 GMDH 和混合 RSM 模型，以预测细粒诱导的渗透率下降。
• •
  混合 RSM（R² = 0.9838，AAPE = 7.89%）和 GMDH（R² = 0.9868，AAPE = 8.85%）显著优于经验关联式（AAPE > 27%）。
• •
  将粘土和砂的泽塔电位作为电动描述符纳入模型，提高了 RSM 模型的物理代表性。
• •
  敏感性分析确认了物理一致性，并确定孔隙速度、注入孔隙体积和粘土含量是控制渗透率下降的主导因素。
• •
  趋势分析验证了模型在临界盐浓度（～0.1 M NaCl）附近的行为，证明了其在低盐度提高原油采收率设计中的适用性。

Bright Amoyaw|Abu Bakar Adni|Mohammed Abdalla Ayoub|Bennet Nii Tackie-Otoo|Joshua Nsiah Turkson|Mysara Eissa Mohyaldinn