مروری بر کاربرد روش‌های یادگیری ماشین در تخمین آسیب سازند ناشی از فرایندهای مختلف در تولید نفت و گاز

در چند دهه‌ گذشته، هوش مصنوعی و یادگیری ماشین به‌عنوان مسیری نوظهور در صنعت نفت و گاز توجه زیادی را به خود جلب کرده است. در این صنعت، حجم نسبتاً زیادی از داده‌ها با استفاده از ابزارهای مدرن و فناوری‌های پیشرفته تولید می‌شود و سیستم‌های هوشمند تکنیک قابل‌اجرا با توانایی تجزیه‌وتحلیل این داده‌ها در کمترین زمان ممکن و باقدرت تصمیم‌گیری بالا هستند. از سوی دیگر همواره ضمن انجام فرایندهای مختلف در صنعت بالادستی تولید نفت و گاز، ایجاد آسیب به سازند ناحیه اطراف چاه و کاهش نفوذپذیری آن محتمل است. پیش‌بینی و تخمین آسیب سازند در فرایندهای مختلف همچون حفاری چاه، تعمیر و تکمیل چاه، اسیدکاری، ازدیاد برداشت و ... با روش‌های معمول فرایندی دشوار و هزینه بر است. در این مقاله به مروری بر کاربرد روش‌های یادگیری ماشین در تخمین آسیب سازندی پرداخته شده است. پژوهش‌های انجام شده نشان داده است که با به‌کارگیری روش‌های هوش مصنوعی و یادگیری ماشین می‌توان از هزینه زیاد آزمایش‌های تجربی جلوگیری نمود و در مواردی که زمان لازم برای اجرای آزمایش‌های تجربی وجود ندارد می‌توان با استفاده از این تکنیک‌ها یک تخمین مناسب از آسیب سازند به دست آورد. با بهره‌گیری از این مزیت‌ها می‌توان قبل از وقوع آسیب سازند، از فرایندهایی که سبب تشکیل آسیب سازند می‌شوند جلوگیری کرد.

A review of the application of machine learning methods in the estimation of formation damage caused by different processes in oil and gas production

In the past few decades, artificial intelligence and machine learning have attracted a lot of attention as an emerging path in the oil and gas industry. In this industry, a relatively large amount of data is generated using modern tools and advanced technologies, and intelligent systems are applicable techniques with the ability to analyze these data in the shortest possible time and with high decision-making power. On the other hand, while performing various processes in the upstream oil and gas production industry, it is possible to cause damage to the formation of the area around the well and decrease the permeability. Prediction and estimation of formation damage in various processes such as well drilling, well repair and completion, acidizing, enhanced recovery, etc. is a difficult and expensive process with usual methods. In this article, a review of the application of machine learning methods in formation damage estimation has been discussed. Previous studies have shown that using machine learning methods can avoid the high costs of experimental tests and, in cases where there is no time for experimental tests, a suitable estimation of formation damage can be obtained using these techniques. By using these advantages, it is possible to avoid the processes that cause formation damage before formation damage occurs.