به‌کارگیری مدل‌های یادگیری ماشین برای پیش‌بینی تشکیل امولسیون اسید و نفت در آزمایش‌های استاتیک اسیدکاری با استفاده از بانک اطلاعات ترکیبی

در طول مدت بهره‌برداری از مخازن نفتی، معمولاً نواحی نزدیک به دیواره‌ چاه به دلایل مختلفی همچون جابه‌جایی ذرات سازندی، تورم رس و موارد دیگر در معرض آسیب‌های مختلف قرار گرفته و نرخ تولید/تزریق از آن‌ها به‌شدت کاهش می‌یابد. یکی از پرکاربردترین روش‌های انگیزش چاه برای رفع این آسیب‌های سازندی روش اسیدکاری است که در طی آن اسید و مواد شیمیایی ( افزایه‌ها) به داخل سازند تزریق می‌شوند تا با انحلال سنگ در سازندهای کربناته تراوایی سازند را افزایش دهند. با این وجود، عدم بررسی آزمایشگاهی سازگاری سیالات تزریقی با سیالات سازندی در مرحله طراحی می‌تواند منجر به ایجاد آسیب‌های القائی همچون تشکیل امولسیون اسید در نفت شود. آزمایش‌های آزمایشگاهی که به‌منظور بررسی سازگاری سیالات مذکور و انتخاب سیالات تزریقی مناسب صورت می‌گیرند، زمان‌بر، پرهزینه و نیز از لحاظ ایمنی خطرناک می‌باشند. به همین منظور در این پژوهش سعی شده‌است تا نتایج اولیه آزمایش‌های امولسیونی با استفاده از مدل‌های مبتنی بر داده و در زمان کوتاه‌تر پیش‌بینی شوند. بنابراین داده‌های موثر بر نتایج این آزمایش‌ها، شامل متغیرهای نوع و غلظت اسید، افزایه‌های ضد امولسیون، ضد لخته، کاهنده کشش سطحی، کاهنده یون آهن و همچنین ویژگی‌های 13 نوع نفت از مخازن مختلف مانند گرانروی، چگالی و غلظت یون فریک، جمع‌آوری و به‌عنوان ورودی‌های یک مجموعه داده ثبت شدند. سپس مدل‌های طبقه‌بندی نظارت‌شده شامل الگوریتم جنگل تصادفی، ماشین بردار پشتیبان، پرسپترون چندلایه و تقویت گرادیان شدید جهت پیش‌بینی خروجی آزمایش‌های ضد امولسیون برروی مجموعه داده جمع‌آوری‌شده اعمال شدند. با توجه به کمبود داده‌های آزمایشگاهی از تکنیک آماری بیش نمونه‌گیری مصنوعی به منظور تولید نمونه داده‌ مصنوعی و بهبود عملکرد مدل‌های هوش مصنوعی استفاده گردید. براساس نتایج به‌دست آمده، روش تقویت گرادیان شدید با پنج تخمین‌گر به‌ترتیب با مقادیر کوهن-کاپای 0.79 و 0.523 برای مجموعه داده‌های آموزش و آزمایش بهترین عمکرد را داشته است.

utilizing machine learning classification models for acid-oil emulsion prediction in laboratory acidizing static tests by using a hybrid databank

during the lifetime of an oil well, the near wellbore areas are usually exposed to formation damage due to factors such as fines migration, clay swelling, etc., significantly reducing the oil well›s productivity and injectivity rates. one of the widely used well-stimulation methods to remove formation damage is acidizing in which the acid and chemicals (additives) are injected into the formation to increase the permeability of the formation by dissolving carbonate rocks. however, the lack of laboratory examination of the compatibility of injection fluids with formation fluids at the design stage results in induced damage such as acid emulsion in oil in formation. the conduction of laboratory tests in order to execute compatibility between fluids is time-consuming, expensive, and has issues related to safety. this research aims to predict the primary results of anti-emulsion tests using data-driven models in a short time. for this purpose, the most influential data on the results of these tests, including type and concentration of acid, and additives like anti-emulsion, anti-sludge, surface tension reducer, and iron ion reducer, as well as properties of 13 different types of oil from various reservoirs, such as viscosity, density, and ferric ion concentration, were collected and recorded as inputs to a data set. then, some supervised classification models including random forest, support vector machine, multi-layer perceptron, and extreme gradient boosting algorithms have been implemented to predict the output of anti-emulsion tests. additionally, the statistical technique smote (synthetic minority oversampling technique) was employed to generate artificial data samples and enhance ai models’ performance. ultimately, results indicate that the extreme gradient boosting with five estimators achieved the best performance with cohen›s kappa values of 0.79 and 0.523 for training and testing datasets, respectively.