Методы машинного обучения для оценки межфазного натяжения в системах нефть/газ и нефть/вода: анализ производительности

Межфазное натяжение (IFT) является ключевым физическим свойством, влияющим на различные процессы в нефтегазовой промышленности, такие как повышенное извлечение нефти, многофазный поток и стабильность эмульсий. Точная прогнозная оценка IFT необходима для оптимизации этих процессов и повышения их эффективности. В статье сравнивается эффективность шести моделей машинного обучения — регрессия опорных векторов (Support Vector Regression, SVR), случайные леса (Random Forests, RF), дерево решений (Decision Tree, DT), градиентный бустинг (Gradient Boosting, GB), CatBoost (CB) и XGBoost (XGB) — при прогнозировании IFT в системах нефть/газ и нефть/вода. Модели обучались и тестировались на наборе данных, содержащем различные входные параметры, влияющие на IFT, такие как коэффициент газ/нефть, объемный коэффициент газа (gas formation volume factor) и плотность нефти. Результаты показывают, что модели SVR и CatBoost достигают наивысшей точности при прогнозировании IFT для нефть/газ, с коэффициентом детерминации (R²) 0.99, в то время как для нефть/вода SVR превосходит CatBoost, также демонстрируя R² = 0.99. Исследование демонстрирует потенциал моделей машинного обучения как надежного и устойчивого инструмента для прогнозирования IFT в нефтегазовой отрасли. Полученные результаты могут способствовать улучшению понимания и оптимизации прогнозирования IFT и облегчить разработку более эффективных стратегий управления месторождениями.