Μοντέλα μηχανικής μάθησης για την πρόβλεψη ιδιοτήτων ρευστού ταμιευτήρα = Machine learning models to predict reservoir fluid properties.

Περίληψη

Σκοπός αυτής της εργασίας είναι η μελέτη του ιξώδους υποκορεσμένου ταμιευτήρα. Πιο συγκεκριμένα, ξεκινώντας από τη πίεση σημείου φυσαλίδας μέχρι μια μέγιστη τιμή της πίεσης, με δεδομένο ότι είναι γνωστή η τιμή του ιξώδους στο σημείο φυσαλίδας, πρέπει να προβλεφθεί η αύξηση του με την αύξηση της πίεσης. Σε πρώτη φάση μελετήθηκε η χρήση εξισώσεων της βιβλιογραφίας και η ικανότητα τους να προβλέπουν με ακρίβεια το ιξώδες. Συνολικά μελετήθηκαν 17 τέτοιες βιβλιογραφικές σχέσεις και έγινε μελέτη της ακρίβειας τους με τη χρήση στατιστικών μεθόδων όπως το σχετικό σφάλμα. Στη συνέχεια αναπτύχθηκαν μέθοδοι μηχανικής μάθησης με σκοπό τη δημιουργία μοντέλων που θα προβλέπουν και αυτά αυτή την εξέλιξη του ιξώδους. Για να μπορέσει να γίνει σύγκριση των δυνατοτήτων της μηχανικής μάθησης με τις εξισώσεις της βιβλιογραφίας, πρέπει να χωριστεί η δουλεία σε δύο σκέλη. Πρώτα εκπαιδεύονται μοντέλα με δεδομένα τις τιμές της πίεσης και του ιξώδους στο σημείο φυσαλίδας και στη συνέχεια εκπαιδεύονται νέα μοντέλα με την επιπλέον χρήση δεδομένων όπως API, GOR, θερμοκρασία. Στη συνέχεια τα μοντέλα που δημιουργήθηκαν συγκρίθηκαν με τα βιβλιογραφικά με τρόπο συνεπή έτσι ώστε να υπάρχει όσο το δυνατόν μεγαλύτερη βεβαιότητα για τα συμπεράσματα που βγήκαν. Τα μοντέλα που προέκυψαν είναι κατά μέσο όρο καλύτερα από τη πιο αποδοτική βιβλιογραφική εξίσωση και η προσπάθεια εκπαίδευσης τους ήταν επιτυχημένη.

The purpose of this work is the study of undersaturated reservoir oil viscosity. Starting from the bubble point pressure up to the maximum value of reservoir pressure, given that viscosity value at the bubble point is known, viscosity's change in relation to pressure needs to be predicted. In total, 17 literature correlations were evaluated and their accuracy was judged based on statistical metrics suchs as average relative error and absolute average relative error. Furhtermore, machine learning models were developed in order to create model that predct viscosity's change. Machine learning models were compared with literature correlations in a consistent way so as to be sure of the produced results. The resulting machine learning models perform better on average than even the best performing literature's correlation so the process followed in this work can be considered a success.