Ứng dụng thuật toán học máy để dự báo khai thác cho đối tượng móng nứt nẻ, vòm Trung Tâm, mỏ Bạch Hổ
Tóm tắt
Dự báo khai thác mỏ dầu là thách thức lớn trong ngành công nghiệp dầu khí. Mô hình và kết quả dự báo khai thác đặc biệt cần thiết cho công tác quản lý - điều hành mỏ. Các công cụ truyền thống đang được ứng dụng phổ biến để dự báo sản lượng hiện nay là mô hình mô phỏng thủy động lực học và phương pháp phân tích đường cong suy giảm... Mô hình mô phỏng thủy động lực học cho thấy hiệu quả rõ rệt đối với các đối tượng trầm tích. Tuy nhiên, các kết quả dự báo khai thác sử dụng mô hình mô phỏng thủy động lực học cho đối tượng móng nứt nẻ đôi khi không đủ tin cậy do móng nứt nẻ là đối tượng địa chất phức tạp, khó dự báo các đặc điểm địa chất... Phương pháp phân tích đường cong suy giảm (DCA) sử dụng các hàm toán học ngoại suy đơn giản để dự báo sản lượng khai thác do vậy kết quả dự báo không phản ánh được các quá trình vận hành mỏ như đóng/mở tầng khai thác, thay đổi lưu lượng bơm ép nước...
Để khắc phục nhược điểm của các phương pháp dự báo khai thác truyền thống, Viện Dầu khí Việt Nam (VPI) đã nghiên cứu khả năng ứng dụng thuật toán học máy để dự báo khai thác cho đối tượng móng khu vực vòm Trung tâm, mỏ Bạch Hổ. Kết quả nghiên cứu cho thấy mô hình random forest (RF) cho kết quả dự báo có độ tin cậy cao với sai số tương đối trung bình 4%.
Các tài liệu tham khảo
Fabian Pedregosa, Gaël Varoquaux, Alexandre Gramfort, Vincent Michel, Bertrand Thirion, Olivier Grisel, Mathieu Blondel, Peter Prettenhofer, Ron Weiss, Vincent Dubourg, Jake Vanderplas, Alexandre Passos, David Cournapeau, Matthieu Brucher, Matthieu Perrot, and Édouard Duchesnay, “Scikit-learn: Machine learning in Python”, Journal of Machine Learning Research, Vol. 12, pp. 2825 - 2830, 2011.
Tran Dang Tu, Nguyen The Duc, Le Quang Duyen, Pham Truong Giang, Le Vu Quan, Le Quoc Trung, Tran Xuan Quy, and Pham Chi Duc “An applied machine learning approach to production forecast for basement formation - Bach Ho field”, Petrovietnam Journal, Vol. 6, pp. 48 - 57, 2019.
Diederik P. Kingma and Jimmy Ba, “Adam: A method for stochastic optimization”, 3rd International Conference for Learning Representations, San Diego, USA, 7 - 9 May 2015. DOI: 10.48550/arXiv.1412.6980.
Robert E Schapire, “The strength of weak learnability”, Machine Learning, Vol. 5, pp. 197 - 227, 1990. DOI: 10.1007/BF00116037.
Oliver Kramer, “Scikit-learn”, Machine learning for evolution strategies. Springer, 2016, pp. 45 - 53. DOI: 10.1007/978-3-319-33383-0.
Tianqi Chen and Carlos Guestrin, “XGBoost: A scalable tree boosting system”, 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, USA, 13 - 17 August 2016. DOI: 10.1145/2939672.2939785.
1. Tác giả giao bản quyền bài viết (tác phẩm) cho Tạp chí Dầu khí, bao gồm quyền xuất bản, tái bản, bán và phân phối toàn bộ hoặc một phần tác phẩm trong các ấn bản điện tử và in của Tạp chí Dầu khí.
2. Bằng cách chuyển nhượng bản quyền này cho Tạp chí Dầu khí, việc sao chép, đăng hoặc sử dụng một phần hay toàn bộ tác phẩm nào của Tạp chí Dầu khí trên bất kỳ phương tiện nào phải trích dẫn đầy đủ, phù hợp về hình thức và nội dung như sau: tiêu đề của bài viết, tên tác giả, tên tạp chí, tập, số, năm, chủ sở hữu bản quyền theo quy định, số DOI. Liên kết đến bài viết cuối cùng được công bố trên trang web của Tạp chí Dầu khí được khuyến khích.
