Гибридный анализ повышения нефтеотдачи с применением CO2 в естественнотрещиноватых коллекторах на основе вычислительной гидродинамики и машинного обучения

Hybrid CFD and machine learning analysis of CO2 enhanced oil recovery in naturally fractured reservoirs
Haval Kukha Hawez, Taimoor Asim, Khaliq Ur Rahman, Rakesh Mishra
2026-01-07

CO2-интенсификация добычи нефтигауссовская процессная регрессияXGBoostвычислительная гидродинамикаприродно-трещиноватые коллекторы
Повышение нефтеотдачи с применением CO2 (EOR) в нетрадиционных коллекторах представляет собой перспективную технологию. Научные исследования направлены на понимание распространения фронта CO2, обусловленного сложным взаимодействием между закачкой и насыщенностью CO2, а также конститутивными соотношениями в коллекторе. Традиционные методы характеристики процесса EOR с применением CO2 основаны на численных решениях высокой точности, которые часто приводят к завышенной или заниженной оценке геологического захоронения CO2. В настоящем исследовании разработана новая гибридная платформа, объединяющая вычислительную гидродинамику (CFD) и машинное обучение (ML), которая обеспечивает быструю оценку геологического захоронения CO2 и оптимизацию его закачки. Показано, что очень низкие или высокие скорости закачки приводят соответственно к низкой коэффициенту охвата вытеснением или чрезмерному входному давлению, тогда как промежуточная скорость закачки обеспечивает наилучший баланс между этими факторами. На основе данных CFD были разработаны, обучены и протестированы модели гауссовской регрессии процессов (GPR) и экстремального градиентного бустинга (XGBoost) для прогнозирования насыщенности коллектора CO2. Сравнительный анализ показывает, что GPR превосходит XGBoost по прогностической эффективности и робастности. Посредством анализа послойного смещения фронта CO2 и разработки суррогатных моделей на основе данных настоящее исследование предлагает новую платформу для прогностического моделирования EOR с применением CO2 и оптимизации стратегий закачки в естественнотрещиноватых коллекторах.
1
Разработана гибридная структура на основе CFD и машинного обучения для быстрого прогнозирования геологического связывания CO2 и оптимизации стратегий закачки в естественнотрещиноватых коллекторах.
2
На данных CFD обучены модели регрессии гауссовских процессов и экстремального градиентного бустинга для прогнозирования насыщенности коллектора CO2.
3
Регрессия гауссовских процессов превзошла XGBoost по точности прогнозирования и устойчивости при оценке насыщенности CO2.
4
Анализ послойного перемещения фронта CO2 и построение суррогатных моделей на основе данных улучшают прогнозирование и оптимизацию закачки при CO2-EOR.
5
Очень низкие скорости закачки приводят к низкой эффективности охвата, тогда как очень высокие вызывают чрезмерное входное давление; промежуточные скорости обеспечивают наилучший баланс.

Повышение нефтеотдачи и геологическое захоронение CO2 в естественно трещиноватых коллекторах

Распространение фронта CO2, прогнозирование насыщенности, эффективность охвата и оптимизация скорости закачки

Publication Details
Publication Date
2026-01-07
Journal
Publisher
ISSN
Cited by
4
Access Type
Author Information
Authors
Haval Kukha Hawez
Taimoor Asim
Khaliq Ur Rahman
Rakesh Mishra
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%