論文の概要: Machine learning for recovery factor estimation of an oil reservoir: a
tool for de-risking at a hydrocarbon asset evaluation
- arxiv url: http://arxiv.org/abs/2010.03408v6
- Date: Mon, 11 Oct 2021 14:53:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 00:12:43.678515
- Title: Machine learning for recovery factor estimation of an oil reservoir: a
tool for de-risking at a hydrocarbon asset evaluation
- Title（参考訳）: 石油貯留層の回収係数推定のための機械学習 : 炭化水素資産評価における脱リスクツール
- Authors: Ivan Makhotin, Denis Orlov, Dmitry Koroteev, Evgeny Burnaev, Aram
Karapetyan, Dmitry Antonenko
- Abstract要約: 本稿では,貯水池パラメータと代表統計値を用いた石油回収率推定のためのデータ駆動手法を提案する。
先進的な機械学習手法を歴史的世界の油田データセットに適用する。
- 参考スコア（独自算出の注目度）: 9.61254236966596
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Well known oil recovery factor estimation techniques such as analogy,
volumetric calculations, material balance, decline curve analysis, hydrodynamic
simulations have certain limitations. Those techniques are time-consuming,
require specific data and expert knowledge. Besides, though uncertainty
estimation is highly desirable for this problem, the methods above do not
include this by default. In this work, we present a data-driven technique for
oil recovery factor estimation using reservoir parameters and representative
statistics. We apply advanced machine learning methods to historical worldwide
oilfields datasets (more than 2000 oil reservoirs). The data-driven model might
be used as a general tool for rapid and completely objective estimation of the
oil recovery factor. In addition, it includes the ability to work with partial
input data and to estimate the prediction interval of the oil recovery factor.
We perform the evaluation in terms of accuracy and prediction intervals
coverage for several tree-based machine learning techniques in application to
the following two cases: (1) using parameters only related to geometry,
geology, transport, storage and fluid properties, (2) using an extended set of
parameters including development and production data. For both cases model
proved itself to be robust and reliable. We conclude that the proposed
data-driven approach overcomes several limitations of the traditional methods
and is suitable for rapid, reliable and objective estimation of oil recovery
factor for hydrocarbon reservoir.
- Abstract（参考訳）: 類似性,体積計算,物質収支,減少曲線解析,流体力学シミュレーションなどのよく知られた油回収係数推定手法には一定の限界がある。
これらのテクニックは時間がかかり、特定のデータと専門家の知識が必要です。
さらに、この問題には不確実性推定が極めて望ましいが、上記の方法はデフォルトでは含まない。
本研究では,貯水池パラメータと代表統計を用いた石油回収率推定のためのデータ駆動手法を提案する。
先進的な機械学習手法を世界の油田データセット(2000以上の石油貯水池)に適用する。
データ駆動モデルは、石油回収係数の迅速かつ完全に客観的な推定のための一般的なツールとして用いられるかもしれない。
さらに、部分的な入力データを扱う機能と、オイル回収係数の予測間隔を推定する機能を含んでいる。
1) 地形, 地質, 輸送, 貯蔵, 流体特性にのみ関連するパラメータを用いた場合, (2) 開発・生産データを含む拡張されたパラメータセットを用いて, 木系機械学習技術の精度と予測区間の評価を行う。
どちらの場合もモデルは堅牢で信頼性が高いことが証明された。
提案手法は従来の手法のいくつかの限界を克服し, 炭化水素貯留層における石油回収係数の迅速かつ信頼性, 客観的評価に適している。
関連論文リスト
- Generative AI-driven forecasting of oil production [1.204553980682492]
我々は,40年間にわたる4つの多地点における石油・水生産量の時系列予測をモデル化した。
我々の目標は、不確実性を効果的にモデル化し、現場規模で意思決定プロセスを伝えるための正確な予測を行うことです。
Informerの全体的な性能は、すべてのサイトにわたる石油生産率の予測において、TimeGradよりも高い効率を示している。
論文 参考訳（メタデータ） (2024-09-24T22:11:21Z) - Reservoir Prediction by Machine Learning Methods on The Well Data and
Seismic Attributes for Complex Coastal Conditions [0.0]
本研究では,データと空間特性に基づいて学習を行う機械学習の方向性を考察する。
沿岸域における地震データ解釈の難しさを考慮し, 提案手法は, 地質学的, 地質学的データ全体の総量に対応できるツールである。
論文 参考訳（メタデータ） (2023-01-09T09:23:09Z) - Interpretability and causal discovery of the machine learning models to
predict the production of CBM wells after hydraulic fracturing [0.5512295869673146]
観測データから潜在因果関係を発見するための新しい手法が提案されている。
因果発見の理論に基づいて、因果グラフは明示的な入力、出力、処理、共起変数によって導出される。
SHAPは、機械学習モデルを間接的に解釈する生産能力に対する要因の影響を分析するために使用される。
論文 参考訳（メタデータ） (2022-12-21T02:06:26Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Oil reservoir recovery factor assessment using Bayesian networks based
on advanced approaches to analogues clustering [0.0]
この研究は、石油・ガス貯水池パラメータのモデル化と計算、特にベイズネットワーク(BN)を用いた石油回収係数(RF)予測の問題に焦点を当てている。
この研究の主な成果は、BNに基づいて貯水池のパラメータを研究する方法論の開発であると考えられる。
論文 参考訳（メタデータ） (2022-04-01T13:23:36Z) - Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。
本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。
アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
論文 参考訳（メタデータ） (2021-04-08T08:50:44Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳（メタデータ） (2021-03-08T16:03:09Z) - Hybrid and Automated Machine Learning Approaches for Oil Fields
Development: the Case Study of Volve Field, North Sea [58.720142291102135]
本稿では,意思決定プロセスを支援する分野開発タスクにおけるインテリジェントなアプローチの利用について述べる。
我々は,油田立地最適化の問題と,その中の2つの課題に注目し,石油生産量推定の品質向上と貯水池特性の評価を行う。
実装されたアプローチは、異なる油田を解析したり、同様の物理問題に適応することができる。
論文 参考訳（メタデータ） (2021-03-03T18:51:46Z) - Predictive Analytics for Water Asset Management: Machine Learning and
Survival Analysis [55.41644538483948]
本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。
スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。
その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
論文 参考訳（メタデータ） (2020-07-02T19:08:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。