Nghiên cứu áp dụng các thuật toán khai phá dữ liệu không giám sát để lựa chọn giải pháp nâng cao hệ số thu hồi dầu cho các mỏ dầu đang suy giảm sản lượng

30 DẦU KHÍ - SỐ 12/2020 
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
NGHIÊN CỨU ÁP DỤNG CÁC THUẬT TOÁN KHAI PHÁ DỮ LIỆU 
KHÔNG GIÁM SÁT ĐỂ LỰA CHỌN GIẢI PHÁP NÂNG CAO HỆ SỐ 
THU HỒI DẦU CHO CÁC MỎ DẦU ĐANG SUY GIẢM SẢN LƯỢNG
TẠP CHÍ DẦU KHÍ
Số 12 - 2020, trang 30 - 36
ISSN 2615-9902
Phạm Quý Ngọc, Đoàn Huy Hiên, Hoàng Long
Viện Dầu khí Việt Nam
Email: ngocpq@vpi.pvn.vn 
https://doi.org/10.47800/PVJ.2020.12-04
Tóm tắt
Phương pháp nâng cao thu hồi dầu (Enhanced Oil Recovery, EOR) là giải pháp có thể gia tăng sản lượng dầu thu hồi, đặc biệt cho 
các mỏ dầu có sản lượng khai thác bắt đầu suy giảm và độ ngập nước tăng. Nghiên cứu này tổng hợp nhiều dự án EOR đã áp dụng thành 
công trên thế giới và áp dụng phương pháp phân tích nâng cao (như phân tích thành phần chính (PCA) và kỹ thuật phân cụm K-means 
để “học kinh nghiệm” từ các dự án này), từ đó tìm ra các tiêu chí và giải pháp EOR phù hợp cho các mỏ dầu đang suy giảm tại Việt Nam. 
Từ khóa: Nâng cao thu hồi dầu, phân tích dữ liệu, thuật toán nâng cao, PCA, K-means.
1. Giới thiệu
Các mỏ dầu đang hoạt động ở thềm lục địa Việt Nam 
đều được phát triển và khai thác trong đá chứa cát kết 
thuộc địa tầng Miocene, Oligocene và đá móng phong 
hóa nứt nẻ trước Đệ tam. Các mỏ dầu này chủ yếu được 
thiết kế khai thác ban đầu theo chế độ năng lượng tự 
nhiên đàn hồi của dầu và khí hòa tan. Để nâng cao hệ số 
thu hồi dầu, giải pháp bơm ép nước duy trì áp suất vỉa ở cả 
2 đối tượng cát kết Miocene, Oligocene và đặc biệt móng 
nứt nẻ trước Đệ tam đã được áp dụng. Công nghệ khai 
thác thứ cấp - bơm ép nước - cho phép gia tăng đáng kể 
thu hồi dầu so với khai thác sơ cấp đơn thuần - chỉ sử dụng 
năng lượng tự nhiên của vỉa. 
Phương pháp nâng cao thu hồi dầu có thể áp dụng 
ngay từ giai đoạn đầu đối với các mỏ có hệ số quét tự 
nhiên thấp, không đủ tạo ra dòng chảy đến giếng khai 
thác. Bơm ép khí, bơm ép hóa chất hay gia nhiệt là 
phương pháp cơ bản được thế giới áp dụng. Ở Việt Nam, 
các giải pháp nâng cao thu hồi dầu bằng bơm ép thử 
nghiệm chất hoạt động bề mặt, vi sinh, hóa lý đã được 
tiến hành cho đối tượng cát kết mỏ Bạch Hổ. 
Để lựa chọn được phương pháp áp dụng và công 
nghệ phù hợp mang lại hiệu quả kinh tế cao nhất cần 
phân tích các dự án EOR đã áp dụng thành công trên thế 
giới.
Bài báo giới thiệu kết quả nghiên cứu áp dụng thuật 
toán khai phá dữ liệu không giám sát - gồm kỹ thuật phân 
tích thành phần chính (Principal Component Analysis, 
PCA) và kỹ thuật phân cụm dựa vào trị số trung bình (K-
means) - vào các dự án EOR thành công trên thế giới để 
tìm ra các phương pháp EOR phù hợp cho các đối tượng 
mỏ khác nhau tại Việt Nam. Nghiên cứu này phát triển 
các module tính toán bằng ngôn ngữ lập trình mã nguồn 
mở R và Python.
2. Tài liệu và phương pháp nghiên cứu 
Dữ liệu phân tích trong nghiên cứu được thu thập từ 
báo cáo khảo sát các phương pháp EOR (EOR survey) đã 
Ngày nhận bài: 19/11/2020. Ngày phản biện đánh giá và sửa chữa: 19 - 24/11/2020. 
Ngày bài báo được duyệt đăng: 15/12/2020. Hình 1. Tỷ lệ các dự án đã áp dụng EOR thành công trên thế giới
Khí 40,8%
Vi sinh 
0,61%
Hóa phẩm 
10,89%
Nhiệt 47,7%
31DẦU KHÍ - SỐ 12/2020 
PETROVIETNAM
áp dụng thành công trên thế giới từ năm 1998 - 2014 của 
“The Oil and Gas Journal” [1 - 8] và các công trình nghiên 
cứu các dự án EOR trên thế giới lưu trữ tại cơ sở dữ liệu 
của Hiệp hội Kỹ sư Dầu khí (SPE) OnePetro [9 - 11]. Các tài 
liệu trên đã thống kê các thông số của mỏ/vỉa chứa với 
tổng cộng 25 trường dữ liệu như: vị trí địa lý, loại vỉa chứa, 
độ sâu, chiều dày vỉa, số lượng giếng khai thác, bơm ép, 
thông số địa chất mỏ, thông số vật lý của chất lưu, độ bão 
hòa, sản lượng khai thác, sản lượng gia tăng và các thông 
số khác của hơn 1.000 vỉa chứa.
Hình 1 mô tả tỷ lệ các phương pháp EOR đã áp dụng 
thành công trên thế giới. Trong đó 3 phương pháp chính 
là phương pháp gia nhiệt, bơm ép khí và bơm ép hóa 
phẩm, còn lại là phương pháp vi sinh.
Các phương pháp gia nhiệt, gồm đốt cháy vỉa (com-
bustion) và bơm ép hơi nước nóng để gia nhiệt cho vỉa 
chứa là phương pháp cho sản lượng gia tăng nhiều nhất. 
Tuy nhiên, nghiên cứu này không đề cập phương pháp gia 
nhiệt vì không phù hợp với điều kiện ở Việt Nam: các vỉa 
chứa có độ sâu khai thác lớn nên nhiệt độ vỉa khá cao, từ 
80 - 120 oC với trầm tích lục nguyên. Phương pháp này chỉ 
phù hợp với các mỏ nông (độ sâu khai thác nhỏ) và ở các 
vùng lạnh, độ nhớt dầu vỉa cao. 
Hình 2 thể hiện sản lượng dầu gia tăng khi áp dụng 
các phương pháp EOR.
Trong số các phương pháp phân tích dữ liệu bậc cao, 
phương pháp phân tích thành phần chính PCA và phân 
nhóm K-means có thể áp dụng cho cơ sở dữ liệu lớn và 
cấu trúc phức tạp, đáp ứng được yêu cầu đặt ra.
3. Phương pháp phân tích và xử lý số liệu 
3.1. Phương pháp phân tích thành phần chính (PCA)
Phân tích thành phần chính PCA là kỹ thuật thường 
được sử dụng khi làm việc với các cơ sở dữ liệu nhiều 
chiều, được sử dụng để xác định một không gian mới 
với số chiều nhỏ hơn không gian gốc, thường là 2 hoặc 3 
chiều để có thể dễ dàng trực quan hóa số liệu. Các trục tọa 
độ của không gian mới sẽ được xây dựng sao cho độ biến 
thiên trên mỗi trục tương ứng với phương sai của dữ liệu 
trên đó là lớn nhất có thể.
Các mục đích chính khi áp dụng kỹ thuật PCA gồm: (1) 
Giảm số chiều của dữ liệu; (2) Trực quan hóa dữ liệu với các 
dataset có nhiều chiều thông tin; (3) Chuyển đổi dataset 
ban đầu với số chiều (biến) lớn thành dataset mới số chiều 
ít hơn nhưng vẫn đảm bảo giữ lại nhiều thông tin nhất, 
Hình 2. Sản lượng dầu gia tăng của các nước tương ứng với các phương pháp áp dụng
1000000 1000000
100000 100000
10000 10000
1000 1000
100 100
10 10
1 1
Im
m
isc
ibl
e H
yd
ro
ca
rb
on
Ch
em
ica
l P
oly
m
er
Ar
ge
nt
ina
Br
az
il
Ve
ne
zu
elaUA
E
US
A
In
do
ne
sia
Lib
ya
Ro
m
an
ia
Tri
nid
ad
Tu
rke
y
In
dia
Ge
rm
an
y
Co
lom
bia
Ch
ina
Ca
na
da
Im
m
i ... e C
0 2
M
isc
ibl
e H
yd
ro
ca
rb
on
Th
er
m
al 
(Co
m
bu
sti
on
)
Th
er
m
al 
(H
ot
 W
at
er
)
Th
er
m
al 
(S
te
am
)
Ch
em
ica
l P
oly
m
er
Th
er
m
al 
(Co
m
bu
sti
on
)
Th
er
m
al 
(S
te
am
)
Th
er
m
al 
(S
te
am
)
Ch
em
ica
l P
oly
m
er
Th
er
m
al 
(H
ot
 W
at
er
)
Th
er
m
al 
(S
te
am
)
Ch
em
ica
l P
oly
m
er
Th
er
m
al 
(Co
m
bu
sti
on
)
Th
er
m
al 
(S
te
am
)
M
isc
ibl
e H
yd
ro
ca
rb
on
Th
er
m
al 
(Co
m
bu
sti
on
)
Im
m
isc
ibl
e C
O 2
Th
er
m
al 
(S
te
am
)
Im
m
isc
ibl
e C
0 2
M
isc
ibl
e H
yd
ro
ca
rb
on
Ch
em
ica
l P
oly
m
er
Im
m
isc
ibl
e C
O 2
Im
m
isc
ibl
e H
yd
ro
ca
rb
on
Im
m
isc
ibl
e N
itr
og
en
M
isc
ibl
e C
O 2
M
isc
ibl
e H
yd
ro
ca
rb
on
 M
isc
ibl
e N
itr
og
en
Th
er
m
al 
(Co
m
bu
sti
on
)
Th
er
m
al 
(H
ot
 W
at
er
)
Th
er
m
al 
(S
te
am
)
M
isc
ibl
e H
yd
ro
ca
rb
on
M
isc
ibl
e H
yd
ro
ca
rb
on
Th
er
m
al 
(S
te
am
)
W
AG
Sả
n l
ượ
ng
 gi
a t
ăn
g (
th
ùn
g/
ng
ày
)
32 DẦU KHÍ - SỐ 12/2020 
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
không ảnh hưởng đến độ chính xác của các mô hình dự 
báo; (4) Xây dựng các thành phần chính mới bằng cách tổ 
hợp tuyến tính các biến ban đầu; (5) Các thành phần chính 
không có mối tương quan tuyến tính với nhau; (6) Khám 
phá những thông tin mới mà có thể bị các chiều thông tin 
cũ che mất.
Về mặt hình học, PCA là phương pháp đi tìm hệ cơ sở 
trực chuẩn bằng một phép xoay sao cho trong hệ mới này 
phương sai theo một chiều nào đó là rất nhỏ, có thể bỏ 
qua được mà không ảnh hưởng nhiều đến thông tin dữ 
liệu (Hình 3).
Ma trận dữ liệu gốc X có D hàng và N cột tương ứng 
với D đối tượng (quan sát) và N trường dữ liệu (biến). Phép 
xoay trục liên hệ trực quan với hệ trực chuẩn và ma trận 
trực giao như mô tả ở Hình 4. Mục đích của của PCA là đi 
tìm ma trận trực giao U sao cho phần lớn thông tin được 
giữ lại ở phần màu tím UKZ và phần màu đỏ UKY sẽ được 
lược bỏ và thay vào bằng một ma trận không phụ thuộc 
vào từng điểm dữ liệu.
Phương pháp PCA được áp dụng để giảm số chiều 
của tập dữ liệu gồm một số lượng lớn của các biến liên 
quan. Các biến kém quan trọng được giảm bớt bằng cách 
chuyển đổi dữ liệu vào không gian mới của các biến, các 
thành phần chủ yếu (principal component, PC) trực giao 
nhau (không tương quan) và được sắp xếp theo thứ tự 
tầm quan trọng giảm dần.
Kỹ thuật PCA xác định được các giá trị riêng và 
phương sai từ ma trận tương quan của các biến ban đầu. 
Thành phần chính là các biến không tương quan, thu 
được bằng cách nhân các biến tương quan ban đầu với hệ 
số tải nhân tố. Vì vậy, các thành phần chính được kết hợp 
tuyến tính của các biến ban đầu. PC cung cấp thông tin về 
các thông số có ý nghĩa nhất, trong đó mô tả toàn bộ dữ 
liệu thiết lập dựng hình với việc giảm thiểu các thông tin 
ban đầu. Đây là kỹ thuật mạnh áp dụng cho mô hình giải 
thích sự thay đổi của một tập lớn các tương quan biến và 
chuyển đổi thành một tập hợp nhỏ hơn của các biến độc 
lập (thành phần chính).
3.2. Phương pháp phân cụm K-means
Trong phương pháp K-means, nhãn của từng điểm 
dữ liệu là không xác định. Phương pháp này sẽ phân tách 
N N
N
K
K
Ma trận dữ liệu gốc
K
K
K
K
K
K
D - K
D - K
×
×
×
D
DD
=
= +
D X U
U
Z
Z
Y
Y
U
U
ˆ
ˆ
Hình 4. Kỹ thuật biến đổi ma trận trong PCA để xác định một không gian mới với các thành phần quan trọng nhất là K thành phần đầu tiên của ma trận [12]
Hình 3. Không gian dữ liệu gốc (e1, e2) với phương sai tương ứng là  ˆ 1 và  ˆ 2; không gian 
mới (u1, u2) với phương sai tương ứng là  ˆ 1 và  ˆ 2 [12, 13]
u2
u1
e2
e1
 ˆ 2
 ˆ 2
 ˆ 1
 ˆ 1
Ma trận trực giao Hệ tọa độ không gian mới
33DẦU KHÍ - SỐ 12/2020 
PETROVIETNAM
dữ liệu thành các cụm (cluster) khác nhau sao cho dữ liệu 
trong cùng một cụm có những tính chất giống nhau.
Một định nghĩa đơn giản của nhóm/cụm là tập hợp 
các điểm có các vector đặc trưng gần nhau. Việc đo 
khoảng cách giữa các vector thường được thực hiện dựa 
trên khoảng cách giữa các vector trong một không gian 
xác định, trong đó khoảng cách Euclidean, tức khoảng 
cách trong không gian 2 chiều được sử dụng phổ biến 
hơn cả.
Hình 5 là ví dụ về dữ liệu được phân tách vào 3 nhóm. 
Giả sử mỗi nhóm có một điểm tâm nhóm đại diện (cen-
troid) màu vàng và nhóm của mỗi điểm được xác định qua 
việc gần với điểm đại diện nào nhất trong 3 điểm. 
K-means là thuật toán quan trọng và được sử dụng 
phổ biến trong kỹ thuật phân cụm. Mục đích chính của 
thuật toán K-means là tìm cách phân nhóm các đối tượng 
đã cho vào K cụm (K là số các cụm được xác định trước, K 
nguyên dương) sao cho tổng bình phương khoảng cách 
giữa các đối tượng đến tâm nhóm là nhỏ nhất. Khoảng 
cách giữa các điểm thường dùng là Euclidean, từ các điểm 
tới tâm có thể dùng khoảng cách Manhattan.
Phương trình (1) là khoảng cách Minkowski tổng quát 
trong đó: d là khoảng cách giữa 2 điểm; xi, xj là 2 điểm cần 
tính khoảng cách; khi q = 1, khoảng cách Minkowski trở 
thành khoảng cách Manhattan và q = 2 là khoảng cách 
Euclidean.
Thuật toán K-means được thực hiện qua các bước 
chính sau: (1) Chọn ngẫu nhiên K tâm (centroid) cho K 
cụm trong đó mỗi cụm được đại diện bằng các tâm của 
cụm; (2) Tính khoảng cách giữa các đối tượng đến K tâm; 
(3) Phân tách các đối tượng vào cụm gần nhất; (4) Xác 
định lại tâm mới cho các cụm; (5) Thực hiện lại bước 2 cho 
đến khi không có sự thay đổi cụm nào của các đối tượng.
Tiền xử lý dữ liệu
Làm sạch ma trận dữ liệu
Khai phá dữ liệu không giám sát
Xác định số phân cụm (K)
Xác định điểm trung tâm
Tính khoảng cách từ điểm đến trung tâm
Phân cụm dựa trên khoảng cách ngắn nhất
Phân cụm bằng PCA và K-means
Chuẩn hóa ma trận dữ liệu
Xây dựng không gian mới
Chuyển dữ liệu vào không gian mới
Trực quan trong không gian mới
Thống kê mô tả biểu đồ
Hình 6. Sơ đồ khai phá dữ liệu áp dụng thuật toán PCA và K-means
Hình 5. Phân tách nhóm K-means thành 3 cụm dữ liệu trong không gian 2 chiều [14]
( ) = 1 2 21
q q q( + +...+ ) (1)
34 DẦU KHÍ - SỐ 12/2020 
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
Sơ đồ các bước thực hiện khai phá dữ liệu áp 
dụng thuật toán PCA và K-means cho cơ sở dữ 
liệu EOR trên thế giới thể hiện như Hình 6.
4. Kết quả và thảo luận 
Thống kê mô tả tương quan các tham số 
chính về bộ dữ liệu thu thập từ các mỏ áp dụng 
EOR thành công trên thế giới thể hiện ở Hình 7.
Phân bố các tham số độ sâu (Depth), độ rỗng 
(Por), độ thấm (Perm), tỷ trọng (API), độ nhớt 
(Visc), nhiệt độ (Temp), độ bão hòa (Start_Sat) và 
sản lượng khai thác (T_Prod_log) được thể hiện 
trên đường chéo của Hình 7. Phía dưới đường 
chéo là đồ thị mô tả quan hệ giữa các đại lượng 
và hệ số tương quan Pearson của các đại lượng 
biểu diễn ở các ô phía trên đường chéo tương 
ứng. Theo đó, độ nhớt có tương quan cao với tỷ 
trọng, hệ số tương quan là 0,92. Nhiệt độ cũng 
tương quan cao với độ sâu, hệ số là 0,83. Ngược 
lại, những đại lượng không tương quan với nhau, 
hệ số tương quan rất nhỏ, thì không nhìn thấy 
trên Hình 7.
Hình 8 biểu diễn trên không gian 2 chiều 
thành phần chính PC1 và PC2 với các trục là 8 
biến tham số như mô tả ở trên và các cụm được 
phân nhóm bằng thuật toán K-means. Góc giữa 
các trục thể hiện mức độ tương quan giữa các biến. Trục độ nhớt 
(Visc) và trục độ rỗng (Por) có góc nhỏ và cùng chiều mũi tên, thể 
hiện 2 biến này tương quan cao và là tương quan thuận. Ngược lại 
trục độ tỷ trọng có chiều mũi tên ngược lại cho thấy tương quan 
cao với độ nhớt và độ rỗng nhưng là tương quan nghịch.
Hình 8. Trực quan dữ liệu trong không gian 2 chiều kết hợp 2 phương pháp PCA và K-means: Depth (độ 
sâu), Por (độ rỗng), Perm (độ thấm), API (tỷ trọng), Visc (độ nhớt), Temp (nhiệt độ), Start_Stat (độ bão 
hòa) và T_Prod_log (Logarit sản lượng khai thác).
Hình 7. Phân bố các tham số chính và quan hệ tương quan: Depth (độ sâu), Por (độ rỗng), Perm (độ thấm), API (tỷ trọng), Visc (độ nhớt), Temp (nhiệt độ), Start_Stat (độ bão hòa) 
và T_Prod_log (Logarit sản lượng khai thác).
0,83
0,79
0,66 0,750,68
0,680,62
0,58
Độ sâu
Độ rỗng
Độ thấm
Tỷ trọng
Độ nhớt
Nhiệt độ
Độ bão hòa
Sản lượng khai thác
0,44
0,41 0,29
0,37
0,38
0,31
0,40
0,54
0,81
0,92
10 20 30 40 50 60
10
 3
0 
50
10
 2
0 
 30
 4
0
50
15
0 
25
0
1 
 2
 3 
4 
 5
0 5000 10000 15000 0 2 3 4 -1 0 1 2 3 4 5 0 20 40 60 80
0 
50
00
 1
50
00
1 
 2
 3 
4
-1
 1
 2
 3
 4
 5
0 
 2
0 
40
 6
0 
 80
10 20 30 40 50 100 150 200 250 300 1 2 3 4 5
35DẦU KHÍ - SỐ 12/2020 
PETROVIETNAM
Các thông số và điều kiện của các mỏ ở 
Việt Nam đã được tích hợp vào ma trận dữ 
liệu và phân tích bằng phương pháp PCA và 
K-means. Hình 9 biểu diễn trực quan dữ liệu có 
tích hợp các mỏ ở Việt Nam trong không gian 
3 chiều (PC1, PC2 và PC3). Hình 9 cho thấy các 
mỏ đang quan tâm tại Việt Nam (hình thoi màu 
đỏ) chủ yếu rơi vào phân nhóm 2 (màu xanh 
nước biển). 
Biểu diễn các phương pháp áp dụng thành 
công và số lượng các dự án đã áp dụng thành 
công trong phân nhóm 2 như Hình 10. Phân 
tích nhóm 2 cho thấy hơn 100 dự án EOR trên 
thế giới đã áp dụng thành công phương pháp 
polymer hoạt tính bề mặt, polymer và hơi 
nước. Như vậy, dựa trên kinh nghiệm các dự 
án EOR thành công trên thế giới có thể nghiên 
cứu để áp dụng 1 trong 3 phương pháp trên 
ở Việt Nam, đặc biệt là phương pháp polymer 
hoạt tính bề mặt hoặc polymer.
5. Kết luận
Xác định các tiêu chí và phương pháp lựa 
chọn cho một dự án EOR mới là công việc rất 
quan trọng để có thể tìm ra được các giải pháp 
EOR phù hợp và khả thi đối với từng đối tượng. 
Nghiên cứu này đã thu thập các dự án EOR 
thành công trên thế giới và tính chất mỏ tương 
đồng với điều kiện địa chất - khai thác của Việt 
Nam. Việc áp dụng thuật toán PCA và K-means 
để học hỏi từ kinh nghiệm trên thế giới sẽ là 
tiền đề cho các nghiên cứu sản phẩm công 
nghệ và triển khai áp dụng thực tiễn cho các 
mỏ dầu khí đang khai thác tại Việt Nam. 
Lời cảm ơn 
Nhóm tác giả trân trọng cảm ơn Viện Dầu 
khí Việt Nam, Bộ Khoa học và Công nghệ hỗ 
trợ nguồn lực và tài trợ kinh phí thực hiện 
nghiên cứu này. Bài báo là một phần kết quả 
nghiên cứu của đề tài khoa học và công nghệ 
cấp Quốc gia “Nghiên cứu lựa chọn các giải 
pháp công nghệ và thực nghiệm đánh giá các 
tác nhân nâng cao hệ số thu hồi dầu cho đối 
tượng trầm tích lục nguyên của các mỏ dầu 
thuộc bể Cửu Long” mã số ĐTĐLCN.26/19.
Hình 10. Các dự án EOR và công nghệ tương ứng đã áp dụng thành công trên thế giới ở phân nhóm 2
Hình 9. Áp dụng phương pháp PCA và K-means với các mỏ thế giới và Việt Nam (hình thoi màu đỏ) 
trong không gian 3 chiều (PC1, PC2 và PC3)
25
20
15
10
5
0
-5
-10
-15
-20
5
4,5
4
3,5
3
2,5
2
1,5
1
PC
2
-6000 -4000 -2000 0 2000 4000 6000 8000 10000 12000
-200
200
Thế giới
Việt Nam
0
PC1
PC3
Surfactant Polymer
Steam
Polymer
Nitrogen Immiscible
Microbial
Hydrocarbon Miscible
Combustion
C02 Miscible
C02 Immiscible
Alkaline Surfactant 
Polymer
0 5 10 15 20 25 30 35
Số dự án EOR
Ph
ươ
ng
 ph
áp
 EO
R
36 DẦU KHÍ - SỐ 12/2020 
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
Tài liệu tham khảo 
[1] Anonymous, “1996 worldwide EOR survey”, Oil & 
Gas Journal, Vol. 94, No. 16, pp. 45, 1996.
[2] Anonymous, “1998 worldwide EOR survey”, Oil & 
Gas Journal, Vol. 96, No. 16, pp. 59 - 77, 1998.
[3] Anonymous, “2002 worldwide EOR survey”, Oil & 
Gas Journal, Vol. 100, No. 15, pp. 71, 2002.
[4] Anonymous, “2004 worldwide EOR survey”, Oil & 
Gas Journal, Vol. 102, No. 14, pp. 53 - 65, 2004.
[5] Anonymous, “2006 worldwide EOR survey”, Oil & 
Gas Journal, Vol. 104, No. 15, pp. 45 - 57, 2006.
[6] L. Koottungal, “2010 worldwide EOR survey”, Oil & 
Gas Journal, Vol. 108, No. 14, pp. 41 - 53, 2010.
[7] L. Koottungal, “2012 Worldwide EOR Survey”, Oil & 
Gas Journal, pp. 57 - 69, 2012.
[8] L. Koottungal, “2014 worldwide EOR survey”, Oil 
and Gas Journal, 2014.
[9] J.J. Taber, “Technical screening guides for the 
enhanced recovery of oil”, SPE Annual Technical Conference 
and Exhibition, San Francisco, California 5 - 8 October 1983. 
DOI: 10.2118/12069-MS.
[10] J.J. Taber, F.D. Martin, and R.S. Seright, “EOR 
screening criteria revisited - Part 1: Introduction to 
screening criteria and enhanced recovery field projects”, 
SPE Reservoir Engineering, Vol. 12, No. 3, pp. 189 - 198, 
1997. DOI: 10.2118/35385-PA.
[11] J.J. Taber, F.D. Martin, and R.S. Seright, “EOR 
screening criteria revisited - Part 2: Applications and 
impact of oil prices”, SPE Reservoir Engineering, Vol. 12, No. 
3, pp. 199 - 206, 1997. DOI: 10.2118/39234-PA.
[12] T.M. Mitchell, Machine learning. New York: 
McGraw-Hill Education, 1997.
[13] S. Misra, H. Li, and J. He, Machine learning for 
subsurface characterization. San Diego: Gulf Professional 
Publishing, 2019.
[14] J. Shawe-Taylor and N. Cristianini, Kernel methods 
for pattern analysis. Cambridge University Press, 2004.
Summary
Enhanced oil recovery (EOR) provides a solution to increase oil production, especially in cases where the reservoirs have high water cut 
and declining oil production rate. This study involves the collection of numerous successful EOR projects throughout the world and application 
of advanced data mining techniques such as principal component analysis (PCA) and K-means clustering to learn from the experiences of 
these projects, and on that basis find suitable criteria and EOR solutions for depleted oil fields in Vietnam. 
Key words: EOR, data analysis, advanced algorithms, PCA, K-means.
APPLICATION OF UNSUPERVISED DATA MINING ALGORITHMS TO 
SELECT EOR SOLUTIONS FOR DEPLETED OILFIELDS
Pham Quy Ngoc, Doan Huy Hien, Hoang Long
Vietnam Petroleum Institute
Email: ngocpq@vpi.pvn.vn