تخمین قابلیت هدایت شکاف توسط الگوریتم جنگل تصادفی

یکی از روش‌های پایه و اساسی برای انگیزش و افزایش نرخ بهره‌برداری از چاه در مخازن کربناته انجام فرایند لایه شکافی با اسید است. میزان سنگ حل‌شده، مقاومت سنگ و میزان فشار بسته شدن شکاف‌ها تاثیر بسزایی در قابلیت هدایت شکاف حاصل از لایه شکافی با اسید دارد. مدل‌های مختلفی جهت پیش‌بینی قابلیت هدایت شکاف توسط محققان مختلف ارائه‌شده است. این مدل‌ها باید به‌دقت قابلیت هدایت شکاف را برای مقادیر مختلف فشار بسته شدن شکاف پیش‌بینی کنند. برای این مدل‌ها دو بخش مهم وجود دارد: قابلیت هدایت شکاف بدون درنظرگرفتن فشار بسته شدن و نرخ تغییرات قابلیت هدایت شکاف با فشار بسته شدن. قابلیت هدایت شکاف به‌طور قابل‌ملاحظه‌ای وابسته به نوع سنگ است. یکی از چالش‌های این بخش پیش‌بینی رفتار سازندهای مختلف در فشارهای مختلف است. این مقاله با استفاده از الگوریتم جنگل تصادفی، قابلیت هدایت شکاف را با استفاده از داده‌های جمع‌آوری شده در سازندهای مختلف با دقت بالایی تخمین می زند.

fracture conductivity prediction using random forest algorithm

one of the fundamental ways to stimulate and increase the production rate of a well in a carbonate reservoir is acid fracturing. rock dissolved, rock strength, and closure stress have an effect on conductivity that is the result of acid fracturing. the model should predict fracture conductivity accurately for different closure stresses. there are two parts to a model: fracture conductivity without considering closure stress and the rate of conductivity changes with closure stress. fracture conductivity widely depends on the rock type. one of the challenges in recent studies is predicting the behavior of various formations on different closure stresses. this study aims to predict fracture conductivity accurately using a machine learning approach by incorporating experimental data from various formations.