تخمین دبی نفت تولیدی از چاه به‌وسیله روش‌های یادگیری ماشین با استفاده از داده‌های پمپ الکتریکی شناور (esp)

تخمین دبی جریان در چاه‌های یک میدان نفتی، یک فرآیند حیاتی و کاربردی است. بااین‌حال جریان‌های استخراج‌شده از چاه‌های نفتی، چند فازی بوده و تخمین دقیق دبی آن‌ها، بسیار چالش‌برانگیز و پرهزینه است. دبی‌سنج‌های مجازی در مقایسه با دبی‌سنج‌های چند فازی و روش‌های چاه آزمایی، ازنظر اقتصادی گزینه بسیار مناسبی هستند که با بهره‌گیری از داده‌های موجود و استفاده از روش‌های هوش مصنوعی، قادر به پیش‌بینی دقیق دبی در آینده هستند؛ بنابراین، اخیراً به دبی‌سنج‌های مجازی داده محور توجه زیادی شده است. در این مقاله تخمین دبی تولیدی یک چاه با استفاده از سه روش یادگیری ماشین k همسایه نزدیک‌تر (k-nn)، تقویت گرادیان (gbr) و درخت تصمیم (dt) با استفاده از داده‌های پمپ انجام‌شده است. به‌منظور انتخاب ویژگی‌های مناسب به‌عنوان ورودی روش‌ها، از تحلیل‌های آماری پیرسون و اسپیرمن استفاده‌شده است. مجموعه داده موردبررسی مربوط به یکی از چاه‌های یک میدان نفتی در جنوب ایران است. مجموعه داده موجود دارای حجم کم و تنوع ناکافی است، اما بااین‌وجود نتایج نشان می‌دهند که روش‌های پیشنهادی عملکرد مناسبی دارند. روش k-nn با دقت 0/9494 نسبت به دو روش دیگر عملکرد بهتری در تخمین دبی نفت داشته است. برای بررسی عملکرد روش‌ها در برابر داده‌های دارای نوفه، یک درصد انحراف معیار نوفه به داده‌های ورودی اضافه شد. بررسی‌ها نشان داد که مدل k همسایه نزدیک‌تر با دقت 0/9257 در مقایسه با دو روش دیگر عملکرد بهتری داشته و کمترین تاثیر را از نوفه‌ها گرفته است.

estimation of oil flow production of well employing machine learning algorithms using electrical submersible pump (esp)

estimating the flow rate in oil wells of a field is a vital and practical process. however, the flows extracted from oil wells are multiphase, and their accurate estimation is highly challenging and costly. virtual flow meters, compared to multiphase flow meters and well-testing methods, are an economically viable option that can accurately predict future flow rates by leveraging existing data and artificial intelligence algorithms. therefore, data-driven virtual flow meters have recently received significant attention. this paper estimates the production flow rate of a well using three machine learning algorithms: 1- k-nearest neighbors (k-nn); 2- gradient boosting (gbr); and 3- decision tree (dt), using pump data. pearson and spearman statistical analyses were used to select appropriate features as the algorithm inputs. moreover, the dataset under investigation pertains to one of the wells of a southern oil field in iran. the available dataset has a small volume and insufficient diversity, but despite this, the results show that the proposed algorithms perform well. the k-nn method, with an accuracy of 0.9494, performed better than the other two methods in estimating oil flow rate. ultimatly, to examine the performance of the algorithms against noisy data, one percent of standard deviation noise was added to the input data. moreover, the investigations showed that the k-nn model, with an accuracy of 0.9257, performed better than the other two methods and was least affected by the noise.