پیش‌بینی تشکیل لجن آسفالتینی در عملیات اسیدکاری مخازن نفتی با استفاده از مدل یادگیری ماشین: تقویت گرادیان حداکثری

عملیات اسیدکاری یکی از پرکاربردترین و موثرترین تکنیک‌ها برای حذف آسیب سازند و بهبود نفوذپذیری ناحیه نزدیک چاه است. در عملیات اسیدکاری با در مجاورت قرارگرفتن اسید تزریقی و نفت مخزن، ممکن است لجن آسفالتینی به‌عنوان آسیب ناشی از اسیدکاری ایجاد شود که سبب کاهش تولید می‌گردد؛ بنابراین ارزیابی سازگاری اسید و نفت قبل از هر عملیات اسیدکاری موردنیاز است تا هم حساسیت نفت نسبت به اسید و هم دوز بهینه مواد شیمیایی بازدارنده تشکیل لجن تعیین شود. در این پژوهش از یک مدل یادگیری ماشین به نام تقویت گرادیان حداکثری برای تخمین وزن لجن آسفالتینی استفاده شد. برای آموزش و آزمایش مدل یادگیری ماشین یک مجموعه‌داده شامل 199 داده آزمایش تجربی سازگاری اسید و نفت، متعلق به هفت نمونه نفت خام مختلف که طیف وسیعی از مقادیر آنالیز sara را شامل می‌شود، جمع‌آوری شد. نتایج مدل تقویت گرادیان حداکثری توسعه‌یافته نشان داد که این مدل با ضریب تعیین 0/9395 و خطای جذر میانگین مربعات 0/0111 برای داده‌های آزمایشی توانایی پیش‌بینی تشکیل لجن آسفالتینی را دارد. علاوه بر این تجزیه‌وتحلیل گرافیکی با استفاده از cross plot انجام شد که نتایج این نمودار نشان داد مدل پیشنهادی از قابلیت اطمینان بالایی برخوردار است. نتایج این پژوهش نشان‌ داد که با به‌کارگیری مدل یادگیری ماشین می‌توان با تخمین تشکیل لجن آسفالتینی از پیامدهای نامطلوب آن جلوگیری نمود.

Prediction of asphaltic sludge formation in oil reservoirs acidizing operation using machine learning model: Extreme gradient boosting

Acidizing is one of the most widely used and effective techniques to remove formation damage and improve the permeability of the near-wellbore region. In the acidizing operation with the contact of injected acid and crude oil, asphaltic sludge may be formed as damage caused by acidizing, which causes a decrease in production. Therefore, it is necessary to evaluate the compatibility of acid and crude oil before each acidizing operation to determine both the sensitivity of crude oil to acid and the optimal amount of sludge inhibitor chemicals. In this research, a machine learning model named extreme gradient boosting was used to estimate the weight of asphaltic sludge. To train and test the machine learning model, a data set containing 199 experimental data of acid and oil compatibility, belonging to seven different crude oil samples, covering a wide range SARA fractions, was collected. The result of the developed extreme gradient boosting model showed that this model with the coefficient of determination of 0.9395 and the root mean square error of 0.0111 for test data has the ability to predict the formation of asphaltic sludge. In addition, graphical analysis was performed using the cross plot, and the results of this plot showed that the proposed model has high reliability. The results of this research showed that by using the machine learning model, it is possible to avoid adverse consequences by estimating the formation of asphaltic sludge.