Интеграция натуроподобных и методов машинного обучения для оценки эффективности добычи нефти при закачке карбонизованной воды: последствия для производства нефти и анализа неопределённости

Энергетика безусловно является основой социально-экономического развития множества стран Глобального Севера и Юга. При наличии различных источников энергии углеводороды вносят значительный вклад в мировую энергетическую корзину (~80%). Мировые политики также предлагают производство низкоуглеродных устойчивых энергетических носителей (например, водорода) из углеводородов для поддержки постоянно растущего спроса на энергию, что указывает на ожидаемое увеличение или сохранение объемов добычи углеводородов в обозримом будущем. Закачка карбонизованной воды (CWI) показала значительный потенциал в повышении добычи нефти с одновременным секвестрированием CO2 в качестве вторичной выгоды. Однако экспериментальные методы оценки эффективности CWI трудоемки, времязатратны и дороги. Некорректные оценки нефтевосстановления также могут скомпрометировать технико-экономическую оценку CWI. В этом контексте k-Nearest Neighbor (kNN), Support Vector Regression (SVR) и Gradient Boosting Regression (GBR) были объединены с натуроподобными методами оптимизации: Particle Swarm Optimization (PSO), Genetic Algorithm (GA) и Grey Wolf Optimizer (GWO) для оценки коэффициента (эффективности) нефтевосстановления при CWI. Разработанные модели оценивали с помощью статистических показателей и совместных графиков. Далее влияние различных условий на нефтевосстановление определяли с помощью корреляции, permutation importance и Shapley Additive Explanations (SHAP). Лучшая модель затем была использована совместно с методом Монте-Карло для оценки неопределенностей, связанных с независимыми переменными, по потенциалу нефтевосстановления и для получения практических выводов по интегрированному подходу моделирования. В то время как GBR, интегрированный с GWO и PSO (GBR–GWO и GBR–PSO), показал наилучшие результаты (R2 = 0.90, средняя абсолютная ошибка = 3.35%), kNN и SVR продемонстрировали существенное улучшение после оптимизации, с уменьшением ошибок прогнозирования на 37–46% и 46–56% соответственно, что демонстрирует эффективность метаэвристической настройки для моделей, чувствительных к гиперпараметрам. Наиболее важно, что GBR–GWO предоставил оценки восстановления P10, P50 и P90 для 5000 случайно сгенерированных независимых переменных как 57%, 72% и 86% соответственно, без сложных экспериментальных условий, показывая минимальную зависимость разработанной модели от ресурсов и её практическую полезность. Анализ permutation importance и SHAP показал, что скорость закачки и соленость/плотность нефти являются наиболее и наименее воздействующими переменными соответственно. Анализ SHAP также указал, что высокая скорость закачки, пористость, проницаемость и давление повышают восстановление, в то время как низкая температура, вязкость нефти и соленость благоприятствуют добыче нефти. Эти выводы соотносятся с экспериментальными результатами и подчёркивают потенциал интегрированного подхода моделирования для дополнения лабораторных и имитационных исследований, обеспечивая быструю и ресурсосберегающую предсказуемость и оптимизацию эффективности восстановления при CWI. Техника также может быть адаптирована в смежных исследованиях для минимизации ошибок прогнозирования и повышения качества принятия решений.