بررسی فرآیند رسوبگذاری ذرات در چاه های نفتی با بهره گیری از الگوریتم های یادگیری ماشین بهینه شده

تغییرات دما، فشار و تزریق آب در مخازن نفتی منجر به رسوبگذاری نمک هایی مانند سولفات کلسیم، باریم و استرانسیم و در نتیجه کاهش نفوذپذیری می شود. این پژوهش با هدف ارزیابی تاثیر پارامترهای مختلف بر کاهش نفوذپذیری و پیش بینی دقیق آن با استفاده از الگوریتم های یادگیری ماشین انجام شده است. نتایج نشان می دهد که الگوریتم های رگرسیون پردازش پیشنهان (SVR) و شبکه عصبی مصنوعی (ANN) با دقت بالایی در پیش بینی کاهش نفوذپذیری نظیر خطای کمتر در مدل SVR با دقت بالای ۹۶.۵ درصد و مدل ANN است. همچنین XGBoost دارای بالاترین دقت را در میان مدل های مورد بررسی نشان می دهد که این مطالعه نشان می دهد که یادگیری ماشین می تواند ابزاری قدرتمند برای پیش بینی و مدیریت چالش های رسوبگذاری در مخازن نفتی باشد.

کلیدواژه ها:

رسوب گذاری ، افت نفوذپذیری ، الگوریتم های یادگیری ماشین ، آسیب سازند ، بهینه سازی پارامترها