Ứng dụng học máy để dự báo sự thay đổi của tỷ số condensate khí theo thời gian nhằm phục vụ việc lên kế hoạch và quản lý mỏ khí condensate
Tóm tắt
Một trong những thông số quan trọng nhất để đánh giá, dự báo và quản lý các vỉa khí condensate là tỷ số condensate khí của giếng theo thời gian khai thác. Thông số này có xu hướng giảm dần do áp suất vỉa suy giảm trong quá trình khai thác. Với cách tiếp cận truyền thống, mẫu chất lưu khí và condensate được lấy tại thời điểm ban đầu cũng như định kỳ trong quá trình khai thác để thực hiện phân tích thành phần chất lưu, xác định tỷ số condensate khí và phân tích tính chất chất lưu (thí nghiệm PVT). Tuy nhiên, việc lấy mẫu, vận chuyển và phân tích mẫu mất nhiều thời gian cũng như chi phí. Ngoài cách tiếp cận trên, phương pháp mô hình hóa thành phần và động thái chất lưu trong vỉa cũng thường được áp dụng. Phương pháp này chứa đựng nhiều yếu tố rủi ro vì phụ thuộc nhiều vào các thông số đầu vào giả định bao gồm cấu trúc vỉa, tương tác giữa các pha và các thông số tính chất khác của vỉa chứa. Do đó, ứng dụng học máy vào việc dự báo sự thay đổi của tỷ số condensate khí của giếng theo thời gian trong nghiên cứu này là một hướng đi mới hiệu quả để bổ trợ cho các phương pháp truyền thống.
Các tài liệu tham khảo
Curtis H. Whitson, Øivind Fevang, and Tao Yang, “Gas condensate PVT - what’s really important and why?”, IBC Conference “Optimisation of Gas Condensate Fields”, London, 28 - 29 January 1999.
Meisam Karbalaee Akbari, Farhang Jalali Farahani, and Yaser Abdy, “Dewpoint pressure estimation of gas condensate reservoirs, using artificial neural network (ANN)”, SPE Europec/ EAGE Annual Conference and Exhibition, London, United Kingdom, 11 - 14 June 2007. DOI: 10.2118/107032-MS.
Seyed Mohammad Javad Majidi, Amin Shokrollahi, Milad Arabloo, Ramin Mahdikhani- Soleymanloo, and Mohsen Masihi, “Evolving an accurate model based on machine learning approach for prediction of dew-point pressure in gas condensate reservoirs”, Chemical Engineering Research and Design, Volume 92, Issue 5, pp. 891 - 902, 2014. DOI: 10.1016/j.cherd.2013.08.014.
Zhi Zhong, Siyan Liu, Mohammad Kazemi, and Timothy R. Carr, “Dew point pressure prediction based on mixed-kernels-function support vector machine in gas-condensate reservoir”, Fuel, Volume 232, pp. 600 - 609, 2018. DOI: 10.1016/j. fuel.2018.05.168.
Princewill Ikpeka, Johnson Ugwu, Paul Russell, and Gobind Pillai, “Performance evaluation of machine learning algorithms in predicting dew point pressure of gas condensate reservoirs”, SN Applied Sciences, Volume 2, 2020. DOI: 10.1007/s42452-020-03811-x.
Sohrab Zendehboudi, Mohammad Ali Ahmadi, Lesley James, and Ioannis Chatzis, “Prediction of condensate-to-gas ratio for retrograde gas condensate reservoirs using artificial neural network with particle swarm optimization”, Energy & Fuels, Volume 26, Issue 6, pp. 3432 - 3447, 2012. DOI: 10.1021/ef300443j.
Mohammad Ali Ahmadi, Mohammad Ebadi, Payam Soleimani Marghmaleki, and Mohammad Mahboubi Fouladi, “Evolving predictive model to determine condensate-to-gas ratio in retrograded condensate gas reservoirs”, Fuel, Volume 124, pp. 241 - 257, 2014. DOI: 10.1016/j.fuel.2014.01.073.
Hana AlMatouq, Mohammed Alabbad, and Fatai Anifowose, “An artificial intelligence approach to predict molar compositions of reservoir fluid components”, SPE Gas & Oil Technology Showcase and Conference, Dubai, UAE, 21 - 23 October 2019. DOI: 10.2118/198555-MS.
Triệu Hùng Trường, Trần Vũ Tùng và nnk, “Nghiên cứu xây dựng bộ công cụ trí tuệ nhân tạo hỗ trợ đánh giá phân tích, liên kết tài liệu địa chất, địa vật lý giếng khoan và số liệu khai thác để nâng cao hiệu quả quản lý, khai thác mỏ khí condensate Hải Thạch - Mộc Tinh Lô 05-2; 05-3, thuộc Biển Đông Việt Nam”, Đề tài cấp Nhà nước thuộc “Chương trình khoa học và công nghệ trọng điểm cấp quốc gia phục vụ đổi mới, hiện đại hóa công nghệ khai thác và chế biến khoáng sản đến năm 2025”, Mã số 077.2021.CNKK. QG/HĐKHCN.
Kyungbook Lee, Jungtek Lim, Daeung Yoon, and Hyungsik Jung, “Prediction of shale gas production at Duvernay formation using deep-learning algorithm”, SPE Journal, Volume 24, Issue 6, pp. 2423 - 2437, 2019. DOI: 10.2118/195698-PA.
Cheng Zhan, Sathish Sankaran, Vincent LeMoine, Jeremy Graybill, and Didi-Ooi Sher Mey, “Application of machine learning for production forecasting for unconventional resources”, Unconventional Resources Technology Conference, Denver, Colorado, USA, 22 - 24 July 2019. DOI: 10.15530/urtec-2019-47.
Ngo Huu Hai, Pham Hoang Duy, Nguyen Ngoc Tan, Hoang Ky Son, Tran Ngoc Trung và Tran Vu Tung, “Application of machine learning to decline curve analysis (DCA) for gas-condensate production wells with complex production history due to add-on perforation of new reservoirs”, Petrovietnam Science, Techonology & Innovation, Volume 2, pp. 4 - 9, 2023. DOI: 10.47800/PVSI.2023.02-01.
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.
