پيش‌بيني تشكيل لجن آسفالتيني در عمليات اسيدكاري مخازن نفتي با استفاده از مدل يادگيري ماشين: تقويت گراديان حداكثري

Prediction of asphaltic sludge formation in oil reservoirs acidizing operation using machine learning model: Extreme gradient boosting

عمليات اسيدكاري يكي از پركاربردترين و مؤثرترين تكنيك‌ها براي حذف آسيب سازند و بهبود نفوذپذيري ناحيه نزديك چاه است. در عمليات اسيدكاري با در مجاورت قرارگرفتن اسيد تزريقي و نفت مخزن، ممكن است لجن آسفالتيني به‌عنوان آسيب ناشي از اسيدكاري ايجاد شود كه سبب كاهش توليد مي‌گردد؛ بنابراين ارزيابي سازگاري اسيد و نفت قبل از هر عمليات اسيدكاري موردنياز است تا هم حساسيت نفت نسبت به اسيد و هم دوز بهينه مواد شيميايي بازدارنده تشكيل لجن تعيين شود. در اين پژوهش از يك مدل يادگيري ماشين به نام تقويت گراديان حداكثري براي تخمين وزن لجن آسفالتيني استفاده شد. براي آموزش و آزمايش مدل يادگيري ماشين يك مجموعه‌داده شامل 199 داده آزمايش تجربي سازگاري اسيد و نفت، متعلق به هفت نمونه نفت خام مختلف كه طيف وسيعي از مقادير آناليز SARA را شامل مي‌شود، جمع‌آوري شد. نتايج مدل تقويت گراديان حداكثري توسعه‌يافته نشان داد كه اين مدل با ضريب تعيين 0/9395 و خطاي جذر ميانگين مربعات 0/0111 براي داده‌هاي آزمايشي توانايي پيش‌بيني تشكيل لجن آسفالتيني را دارد. علاوه بر اين تجزيه‌وتحليل گرافيكي با استفاده از Cross plot انجام شد كه نتايج اين نمودار نشان داد مدل پيشنهادي از قابليت اطمينان بالايي برخوردار است. نتايج اين پژوهش نشان‌ داد كه با به‌كارگيري مدل يادگيري ماشين مي‌توان با تخمين تشكيل لجن آسفالتيني از پيامدهاي نامطلوب آن جلوگيري نمود.

Acidizing is one of the most widely used and effective techniques to remove formation damage and improve the permeability of the near-wellbore region. In the acidizing operation with the contact of injected acid and crude oil, asphaltic sludge may be formed as damage caused by acidizing, which causes a decrease in production. Therefore, it is necessary to evaluate the compatibility of acid and crude oil before each acidizing operation to determine both the sensitivity of crude oil to acid and the optimal amount of sludge inhibitor chemicals. In this research, a machine learning model named extreme gradient boosting was used to estimate the weight of asphaltic sludge. To train and test the machine learning model, a data set containing 199 experimental data of acid and oil compatibility, belonging to seven different crude oil samples, covering a wide range SARA fractions, was collected. The result of the developed extreme gradient boosting model showed that this model with the coefficient of determination of 0.9395 and the root mean square error of 0.0111 for test data has the ability to predict the formation of asphaltic sludge. In addition, graphical analysis was performed using the cross plot, and the results of this plot showed that the proposed model has high reliability. The results of this research showed that by using the machine learning model, it is possible to avoid adverse consequences by estimating the formation of asphaltic sludge.