Отбор скважин-кандидатов при обработке призабойной зоны пласта методами машинного обучения; Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов; Т. 335, № 5
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов=Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering: сетевое издание/ Национальный исследовательский Томский политехнический университет.— .— Томск: Изд-во ТПУ, 2015-.— 2413-1830 Т. 335, № 5.— 2024.— С. 7-16 |
|---|---|
| Hlavní autor: | |
| Další autoři: | , |
| Shrnutí: | Актуальность данной работы связана с тем, что в настоящее время на месторождениях нефти широко применяются различные технологии по увеличению нефтеотдачи и интенсификации притока, такие как обработка призабойной зоны соляной кислотой. В связи с массовым применением данной технологии на передний план выходят проблемные вопросы, в том числе связанные с выбором правильных на данный момент времени скважин-кандидатов для проведения обработки призабойной зоны. Цель данной работы заключается в оптимизации поиска скважин-кандидатов для проведения обработки призабойной зоны. В работе исследуется возможность использования моделей машинного обучения для предсказания ответа, будет ли скважина являться правильным кандидатом для проведения обработки призабойной зоны. Объектом исследования являются модели машинного обучения библиотеки sklearn. Методы. Для решения задачи предсказания, является ли скважина кандидатом для проведения обработки призабойной зоны, использовалось три модели машинного обучения библиотеки sklearn: RandomForestClassifier (далее модель обучающего леса), DecisionTreeClassifier (далее модель обучающего дерева), LinearRegression (далее модель линейной регрессии). Для оценки качества построенных моделей использовались следующие метрики той же библиотеки: F1-score, AUC-ROC-score. Результаты. Наилучший результат при обучении показала модель обучающего леса. На метрике F1-score данная модель, примененная на тестовой выборке, показала сходимость 99,5 %, а на метрике AUC-ROC-score точность составила 99,9 %. Полученная точность указывает на корректность использования модели обучающего леса для решения задачи определения правильных скважин-кандидатов. Заключение. Получена модель машинного обучения, дающая предсказание, будет ли скважина являться правильным кандидатом для проведения обработки призабойной зоны, с точностью 99,5 % Relevance. The fact that currently various technologies are widely used in oil fields to increase oil recovery and intensify the inflow, such as treatment of a bottomhole zone with hydrochloric acid. In relation to the widespread use of this technology, problematic issues are coming to the fore, including those related to the selection of the right candidate wells at a given time for carrying out well treatment. Aim. To optimize the search for candidate wells for carrying out treatment of the bottomhole zone. The work explores the possibility of using machine learning models to predict whether a well will be the right candidate for a well treatment. Object. Machine learning models of the sklearn library. Methods. To solve the problem of predicting whether a well is a candidate for bottomhole treatment, three machine learning models of the sklearn library were used: RandomForestClassifier, DecisionTreeClassifier, LinearRegression. To assess the quality of the constructed models, the following metrics from the same library were used: F1-score, AUC-ROC-score. Results. The learning forest model showed the best results during training. Using the F1-score metric, this model showed 99.5% convergence on the testing dataset, and using the AUCROC-score metric, the accuracy was 99.9%. The resulting accuracy indicates the correctness of using RandomForestClassifier model to solve the problem of identifying the correct candidate wells. Conclusion. The machine learning model was obtained that predicts with 99.5% accuracy whether a well will be the right candidate for a well treatment Текстовый файл |
| Jazyk: | ruština |
| Vydáno: |
2024
|
| Témata: | |
| On-line přístup: | https://earchive.tpu.ru/handle/11683/82097 https://doi.org/10.18799/24131830/2024/5/4428 |
| Médium: | Elektronický zdroj Kapitola |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=672984 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 672984 | ||
| 005 | 20250115171617.0 | ||
| 090 | |a 672984 | ||
| 100 | |a 20240610d2024 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 200 | 1 | |a Отбор скважин-кандидатов при обработке призабойной зоны пласта методами машинного обучения |d Machine learning methods for selecting candidate wells for bottomhole formation zone treatment |z eng |f Ямкин Максим Александрович, Сафиуллина Елена Улубековна, Ямкин Александр Владимирович | |
| 320 | |a Список литературы: с. 14-15 (24 назв.) | ||
| 330 | |a Актуальность данной работы связана с тем, что в настоящее время на месторождениях нефти широко применяются различные технологии по увеличению нефтеотдачи и интенсификации притока, такие как обработка призабойной зоны соляной кислотой. В связи с массовым применением данной технологии на передний план выходят проблемные вопросы, в том числе связанные с выбором правильных на данный момент времени скважин-кандидатов для проведения обработки призабойной зоны. Цель данной работы заключается в оптимизации поиска скважин-кандидатов для проведения обработки призабойной зоны. В работе исследуется возможность использования моделей машинного обучения для предсказания ответа, будет ли скважина являться правильным кандидатом для проведения обработки призабойной зоны. Объектом исследования являются модели машинного обучения библиотеки sklearn. Методы. Для решения задачи предсказания, является ли скважина кандидатом для проведения обработки призабойной зоны, использовалось три модели машинного обучения библиотеки sklearn: RandomForestClassifier (далее модель обучающего леса), DecisionTreeClassifier (далее модель обучающего дерева), LinearRegression (далее модель линейной регрессии). Для оценки качества построенных моделей использовались следующие метрики той же библиотеки: F1-score, AUC-ROC-score. Результаты. Наилучший результат при обучении показала модель обучающего леса. На метрике F1-score данная модель, примененная на тестовой выборке, показала сходимость 99,5 %, а на метрике AUC-ROC-score точность составила 99,9 %. Полученная точность указывает на корректность использования модели обучающего леса для решения задачи определения правильных скважин-кандидатов. Заключение. Получена модель машинного обучения, дающая предсказание, будет ли скважина являться правильным кандидатом для проведения обработки призабойной зоны, с точностью 99,5 % | ||
| 330 | |a Relevance. The fact that currently various technologies are widely used in oil fields to increase oil recovery and intensify the inflow, such as treatment of a bottomhole zone with hydrochloric acid. In relation to the widespread use of this technology, problematic issues are coming to the fore, including those related to the selection of the right candidate wells at a given time for carrying out well treatment. Aim. To optimize the search for candidate wells for carrying out treatment of the bottomhole zone. The work explores the possibility of using machine learning models to predict whether a well will be the right candidate for a well treatment. Object. Machine learning models of the sklearn library. Methods. To solve the problem of predicting whether a well is a candidate for bottomhole treatment, three machine learning models of the sklearn library were used: RandomForestClassifier, DecisionTreeClassifier, LinearRegression. To assess the quality of the constructed models, the following metrics from the same library were used: F1-score, AUC-ROC-score. Results. The learning forest model showed the best results during training. Using the F1-score metric, this model showed 99.5% convergence on the testing dataset, and using the AUCROC-score metric, the accuracy was 99.9%. The resulting accuracy indicates the correctness of using RandomForestClassifier model to solve the problem of identifying the correct candidate wells. Conclusion. The machine learning model was obtained that predicts with 99.5% accuracy whether a well will be the right candidate for a well treatment | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 288378 |9 288378 |t Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов |l Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering |o сетевое издание |f Национальный исследовательский Томский политехнический университет |c Томск |n Изд-во ТПУ |d 2015- |x 2413-1830 | |
| 463 | 1 | |0 672944 |9 672944 |t Т. 335, № 5 |d 2024 |v С. 7-16 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a обработка призабойной зоны пласта | |
| 610 | 1 | |a скважины-кандидаты | |
| 610 | 1 | |a машинное обучение | |
| 610 | 1 | |a модель обучающего леса | |
| 610 | 1 | |a sklearn | |
| 610 | 1 | |a F1-score | |
| 610 | 1 | |a treatment of a bottomhole formation zone | |
| 610 | 1 | |a candidate wells | |
| 610 | 1 | |a machine learning | |
| 610 | 1 | |a RandomForestClassifier | |
| 700 | 1 | |a Ямкин |b М. А. |g Максим Александрович | |
| 701 | 1 | |a Сафиуллина |b Е. У. |g Елена Улубековна | |
| 701 | 1 | |a Ямкин |b А. В. |g Александр Владимирович | |
| 801 | 0 | |a RU |b 63413507 |c 20240610 | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u https://earchive.tpu.ru/handle/11683/82097 |z https://earchive.tpu.ru/handle/11683/82097 | |
| 856 | 4 | |u https://doi.org/10.18799/24131830/2024/5/4428 |z https://doi.org/10.18799/24131830/2024/5/4428 | |
| 942 | |c CF | ||