Nghiên cứu ứng dụng thuật toán học máy để dự báo khai thác cho đối tượng móng nứt nẻ, mỏ Bạch Hổ

37DẦU KHÍ - SỐ 12/2020 
PETROVIETNAM
NGHIÊN CỨU ỨNG DỤNG THUẬT TOÁN HỌC MÁY ĐỂ DỰ BÁO KHAI THÁC 
CHO ĐỐI TƯỢNG MÓNG NỨT NẺ, MỎ BẠCH HỔ
TẠP CHÍ DẦU KHÍ
Số 12 - 2020, trang 37 - 46
ISSN 2615-9902
Trần Đăng Tú1, Đinh Đức Huy1, Phạm Trường Giang1, Lê Quang Duyến2, Trần Xuân Quý1, Lê Thế Hùng1, Lưu Đình Tùng1
1Viện Dầu khí Việt Nam
2Đại học Mỏ Địa chất
Email: tutd@vpi.pvn.vn
https://doi.org/10.47800/PVJ.2020.12-05
Tóm tắt
Các công cụ đang được sử dụng để dự báo sản lượng khai thác truyền thống cho đối tượng móng nứt nẻ (như mô hình mô phỏng thủy 
động lực và phương pháp hệ đường cong suy giảm...) có độ tin cậy và hiệu quả dự báo chưa cao, mang tính ngắn hạn, ảnh hưởng đến kế 
hoạch phát triển, điều hành mỏ cũng như tối ưu hiệu quả thu hồi dầu. 
Bài báo giới thiệu khả năng ứng dụng thuật toán học máy để dự báo khai thác cho đối tượng móng mỏ Bạch Hổ. Kết quả nghiên cứu 
cho thấy mô hình mạng neural nhân tạo (artificial neural network - ANN) sử dụng thuật toán lan truyền ngược và mô hình tăng trưởng 
logistic (logistics growth model - LGM) sử dụng thuật toán tối ưu đã nâng cao khả năng dự báo khai thác với mức độ chính xác cao.
Từ khóa: Trí tuệ nhân tạo, học máy, dự báo khai thác, mỏ Bạch Hổ, mô hình tăng trưởng.
1. Đặt vấn đề
Dự báo sản lượng đặc biệt cần thiết cho công tác quản 
lý - điều hành khai thác mỏ. Các phương pháp truyền 
thống sử dụng trong dự báo khai thác như phân tích 
đường cong suy giảm (DCA) và mô hình mô phỏng thủy 
động lực cho thấy hiệu quả rõ rệt đối với các đối tượng 
trầm tích hạt vụn như cát kết. Tuy nhiên, dự báo khai thác 
sử dụng các phương pháp trên cho thấy một số nhược 
điểm đối với đối tượng móng nứt nẻ do đòi hỏi nhiều thời 
gian cho việc xây dựng, hiệu chỉnh từ mô hình địa chất tới 
thủy động lực học, xây dựng các kịch bản phát triển khác 
nhau. Hơn nữa, móng nứt nẻ là đối tượng địa chất phức 
tạp, khó dự báo các đặc điểm địa chất, do vậy kết quả dự 
báo có thể không tin cậy do phụ thuộc nhiều thông số 
không chắc chắn.
Với mong muốn tiếp cận theo hướng đi mới và hạn 
chế các nhược điểm của phương pháp truyền thống và 
ứng dụng sự phát triển mạnh mẽ của các thuật toán hiện 
đại, nhóm tác giả thực hiện xây dựng công cụ dự báo sử 
dụng các thuật toán học máy. Bản chất của phương pháp 
này là sử dụng các thuật toán học máy nhằm xác lập các 
mối quan hệ phi tuyến phức tạp giữa các thông số vận 
hành mỏ và sau đó thực hiện dự báo. Tuy nhiên, giải pháp 
này vẫn còn có nhược điểm như: không thể áp dụng cho 
các đối tượng mỏ chưa hoặc mới khai thác, được khuyến 
nghị áp dụng với các mỏ dầu khí trưởng thành, có dữ liệu 
tin cậy. 
Một số các thuật toán hiện đại được nhóm tác giả sử 
dụng trong các mô hình mạng trí tuệ nhân tạo và mô hình 
tăng trưởng như: thuật toán lan truyền ngược và thuật 
toán tối ưu nhằm tăng năng lực cho dự báo khai thác 
ngắn hạn và dự báo khai thác dài hạn:
- Dự báo khai thác ngắn hạn: 
 + Phục vụ các công tác sản xuất, xây dựng kế hoạch 
khai thác định kỳ hàng năm của nhà điều hành;
 + Đề xuất thực hiện các giải pháp can thiệp giếng (xử 
lý vùng cận đáy giếng, nứt vỉa thủy lực,) nhằm duy trì 
gia tăng sản lượng khai thác.
- Dự báo khai thác dài dạn:
 + Xây dựng phương án sản lượng, định hướng và tối 
ưu vận hành khai thác;
 + Xây dựng kế hoạch phát triển mỏ (phương án can 
Ngày nhận bài: 1/12/2020. Ngày phản biện đánh giá và sửa chữa: 1 - 22/12/2020. 
Ngày bài báo được duyệt đăng: 22/12/2020.
38 DẦU KHÍ - SỐ 12/2020 
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
thiệp vỉa: bơm ép nước, bơm ép hóa phẩm,), tối ưu khai 
thác, hệ số thu hồi và gia tăng hiệu quả kinh tế.
2. Mô hình mạng trí tuệ nhân tạo và mô hình tăng 
trưởng logistic (LGM)
2.1. Mô hình mạng trí tuệ nhân tạo
Trong khoa học máy tính, mô hình mạng trí tuệ nhân 
tạo là mô hình tính toán được xây dựng dựa trên các 
mạng neural sinh học gồm có một nhóm các neural nhân 
tạo (nút) nối với nhau và xử lý thông tin bằng cách truyền 
theo các kết nối và tính giá trị mới tại các nút. Trong nhiều 
trường hợp, ANN là hệ thống thích ứng tự thay đổi cấu 
trúc của mạng dựa trên các thông tin về dữ liệu lịch sử 
hoặc các kế hoạch tương lai trong quá trình học.
Trong thực tế sử dụng, nhiều mạng neural là các công 
cụ mô hình hóa dữ liệu thống kê phi tuyến, bản chất của 
hầu hết các bài toán trong thực tế. Thông thường, các nhà 
toán học sẽ tuyến tính hóa các bài toán phi tuyến để thu 
được kết quả gần đúng. Nhờ năng lực của máy tính, ANN 
có thể mô hình hóa các mối quan hệ dữ liệu phi tuyến 
phức tạp và tìm ra kết quả có độ chính xác cao cũng như 
tìm kiếm các dạng/mẫu của mỗi quan hệ trong dữ liệu. 
Hình 1 và 2 lần lượt biểu diễn cấu trúc mạng neural sinh 
học cơ bản và cấu trúc neural nhân tạo.
Mô hình ANN phổ biến nhất là cấu trúc mạng đa lớp 
(multi-layer perceptron, MLP) sử dụng thuật toán lan 
truyền ngược. Cấu trúc MLP bao gồm ít nhất 3 lớp trong 
bộ xử lý được liên kết thông qua các kết nối có trọng số. 
Lớp đầu tiên bao gồm các vector đầu vào và lớp cuối chứa 
vector đầu ra. Các lớp ẩn mô tả các chuỗi neural và hiệu 
chỉnh dữ liệu đầu vào thông qua việc gán trọng số.
Có 3 giai đoạn chính để huấn luyện mạng với thuật 
toán lan truyền ngược. Trong giai đoạn 1, vector đầu vào 
hiển thị một mạng, được kích hoạt thông qua quá trình 
tính toán trực tiếp. Quá trình tạo ra sai số giữa dữ liệu đầu 
vào và dữ liệu đầu ra mong muốn của mạng. Trong giai 
đoạn 2, các sai số đầu ra được tính toán trở lại thông qua 
thuật toán lan truyền ngược. Đến giai đoạn 3, các trọng 
số kết nối được điều chỉnh bằng phương pháp tổng sai 
số bình phương bắt đầu từ lớp đầu ra, thông qua các lớp 
ẩn tới lớp đầu vào. Quá trình được lặp lại cho đến khi đạt 
được kết quả đầu ra mong muốn. 
Lựa chọn một mô hình cấu trúc tối ưu là nhiệm vụ 
khó khăn yê ...  295 300 305
Lư
u l
ượ
ng
 ch
ất
 lư
u (
tấ
n/
ng
ày
)
Thời gian (tháng)
Data_Prediction FLPR 2nd Dataset
Data_Predicted FLPR H_Data_Prediction FLPR
0
50
100
150
200
250
300
350
0
5000
10000
15000
20000
25000
30000
35000
40000
0 50 100 150 200 250
Áp
 su
ất
 vỉ
a (
at
)
Lư
u l
ượ
ng
 kh
ai 
th
ác
 (t
ấn
/n
gà
y)
Thời gian (tháng)
Data_Validation 1st Dataset
H_Data_Validation FOPR H_Data_Validation FLPR M_Data_Validation FLPR
M_Data_Validation FOPR H_Data_Validation FPR M_Data_Validation FPR
0
50
100
150
200
250
280 285 290 295 300 305
Áp
 su
ất
 vỉ
a (
at
)
Thời gian (tháng)
Data_Prediction FPR 2nd Dataset
Data_Predicted FPR H_Data_Prediction FPR
0
50
100
150
200
250
300
350
0
5000
10000
15000
20000
25000
30000
35000
40000
0 50 100 150 200 250
Áp
 su
ất
 vỉ
a (
at
)
Lư
u l
ượ
ng
 kh
ai 
th
ác
 (t
ấn
/n
gà
y)
Thời gian (tháng)
Data_Testing 1st Dataset
H_Data_Testing FOPR H_Data_Testing FLPR M_Data_Testing FLPR
M_Data_Testing FOPR H_Data_Testing FPR M_Data_Testing FPR
43DẦU KHÍ - SỐ 12/2020 
PETROVIETNAM
Dữ liệu I 
 FOPR_ 
H 
FOPR_ 
ANN 
AE1 
ARE1 
(%) 
FLPR_H 
FOPR_ 
ANN 
AE2 
ARE2 
(%) 
FPR_ 
H 
PR_ 
ANN 
AE3 
ARE3 
(%) 
Huấn luyện 
Trung bình 22.342 22.302 553 2,79 24.599 24.498 644 2,78 250 249 5,25 2,1 
Độ lệch chuẩn 8.365 8.571 478 2,45 7.820 7.475 551 2,45 27 26 5,41 2,14 
Nhỏ nhất 6.864 6.498 6 0,06 12.650 12.748 9 0,04 211 223 0,02 0,01 
Lớn nhất 35.959 35.569 3.941 16,11 37.452 36.606 3.693 13,62 309 304 34,37 12,94 
Xác thực 
Trung bình 22.430 22.633 1.001 4,91 24.633 24.668 1.025 4.4 250 252 6,34 2,52 
Độ lệch chuẩn 8.729 8.666 844 3,97 8.149 76.44 794 3,45 27 27 5,01 1,95 
Nhỏ nhất 7.083 6.852 58 0,18 13.167 13.137 12 0,08 217 222 0,24 0,11 
Lớn nhất 22.430 22.633 1.001 4,91 24.633 24.668 1.025 4,4 250 252 6,34 2,52 
Kiểm tra 
Trung bình 22.563 22.753 1.215 5,6 24.779 24.796 1.261 5,43 250 251 7,69 3,13 
Độ lệch chuẩn 8.236 8.300 1.307 5,68 7.804 7.367 1.216 5,53 27 26 9,02 3,89 
Nhỏ nhất 8.935 8.453 30 0,27 14.021 14.080 95 0,38 212 224 0,25 0,11 
Lớn nhất 34.899 35.255 5.887 23,91 36.778 36.052 5.963 27,26 306 303 42,64 20,11 
Dữ liệu II 
Dự báo 
Trung bình 5.405 5.238 697,84 12,61 11.302 11.899 1.254 11,44 222 241 19,6 8,94 
Độ lệch chuẩn 630 863 559,05 10,08 1.369 638 761 7,29 7 15 16,88 7,9 
Nhỏ nhất 4.521 4.419 16,73 0,26 9.081 11.281 9 0,08 206 224 0 0 
Lớn nhất 7.031 7.697 2628,28 52,67 14.553 13.755 2.758 25,71 240 278 66,92 31,7 
 Bảng 2. Bảng thống kê đánh giá sai số của mô hình mạng trí tuệ nhân tạo dự báo dài hạn
- Mô hình ANN dự báo khai thác ngắn hạn có nhiều 
dữ liệu (284 tháng dữ liệu) được đưa vào xây dựng mô 
hình cấu trúc mạng sẽ có kết quả dự báo lưu lượng dầu, 
lưu lượng chất lưu, áp suất vỉa chính xác hơn mô hình ANN 
dự báo dài hạn có ít dữ liệu (236 tháng dữ liệu) được đưa 
vào xây dựng mô hình cấu trúc mạng (Hình 5, 7). Kết quả 
dự báo đường lưu lượng dầu ngắn hạn và dài hạn sử dụng 
mô hình ANN cho sai số tương đối trung bình lần lượt 
10% và 5%. Kết quả dự báo đường lưu lượng dầu ngắn 
hạn và dài hạn được dự báo theo đúng xu hướng và có 
phản ánh được ảnh hưởng của các thông số vận hành như 
lưu lượng khai thác dầu, lưu lượng bơm ép, áp suất vỉa... 
Hơn nữa, mô hình mạng ANN có thể dự báo khai thác dựa 
trên tập dữ liệu đầu vào mà không phụ thuộc vào kinh 
nghiệm chủ quan của các chuyên gia nhờ chủ động xác 
định dựa trên các tập trọng số sau quá trình huấn luyện 
mạng. Việc dự báo sử dụng mô hình mạng ANN tự động 
xác định mối quan hệ liên quan giữa các tập dữ liệu đầu 
vào cho thấy kết quả dự báo này đáng tin cậy hơn so với 
phương pháp dự báo sử dụng mô hình LGM và phương 
pháp truyền thống. Bên cạnh đó, kết quả dự báo khai thác 
sử dụng mô hình ANN là quá trình huấn luyện không phải 
lúc nào cũng hội tụ và có khả năng rơi vào cực tiểu địa 
phương (local minimum). Nếu rơi vào trường hợp này, cần 
phải huấn luyện mạng lại hoặc thay đổi số neural của lớp 
ẩn, điều này khiến cho mạng neural không áp dụng được 
cho các bài toán yêu cầu độ chính xác cao trong thời gian 
tối thiểu.
- Kết quả dự báo đường lưu lượng dầu ngắn hạn và 
dài hạn sử dụng mô hình LGM cho sai số tương đối trung 
bình lần lượt là 16% và 4%. Kết quả dự báo đường lưu 
lượng dầu dài hạn cho sai số tương đối trung bình lớn hơn 
kết quả dự báo đường lưu lượng ngắn hạn. Nguyên nhân 
là do mô hình LGM dự báo ngắn hạn có nhiều tháng dữ 
liệu (340 tháng) được đưa vào để tái lặp lịch sử thì kết quả 
tái lặp lịch sử và kết quả dự báo chính xác hơn mô hình 
LGM dự báo dài hạn với ít tháng dữ liệu hơn (292 tháng). 
Nói cách khác, nếu dữ liệu lịch sử đủ lớn thì hiệu suất dự 
báo mô hình LGM sẽ cải thiện rất nhiều. Bên cạnh đó, mô 
hình LGM chỉ là công cụ hỗ trợ dự báo nhanh và chính 
xác hơn công cụ dự báo bằng phần mềm OFM. Mô hình 
LGM cũng không thể dự báo chính xác được khi mỏ/giếng 
thay đổi cơ chế vận hành: mở côn, bơm ép gaslift, bơm ép 
nước, đóng giếng
- Kết quả dự báo đường lưu lượng dầu ngắn hạn và 
dài hạn của mô hình thủy động lực học cho sai số tương 
đối trung bình lần lượt là 19% và 81%. Nguyên nhân chính 
do lưu lượng dầu có độ lệch lớn so với thực tế ngay khi bắt 
44 DẦU KHÍ - SỐ 12/2020 
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
Hình 7. Kết quả dự báo lưu lượng dầu, lưu lượng chất lưu và áp suất vỉa trung bình 
(từ tháng 1/2013 - 31/1/2017)
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
236 246 256 266 276 286 296 306
Lư
u l
ượ
ng
 dầ
u (
tấ
n/
ng
ày
)
Thời gian (tháng)
Data_Prediction FOPR 2nd Dataset
Data_Predicted FOPR H_Data_Prediction FOPR
4000
6000
8000
10000
12000
14000
16000
236 246 256 266 276 286 296
Lư
u l
ượ
ng
 ch
ất
 lư
u (
tấ
n/
ng
ày
)
Thời gian (tháng)
Data_Prediction FLPR 2nd Dataset
Data_Predicted FLPR H_Data_Prediction FLPR
0
50
100
150
200
250
300
236 246 256 266 276 286 296
Áp
 su
ất
 vỉ
a (
at
)
Thời gian (tháng)
Data_Prediction FPR 2nd Dataset
Data_Predicted FPR H_Data_Prediction FPR
Hình 8. Kết quả tái lặp lịch sử trong 340 tháng
Hình 9. Kết quả tái lặp lịch sử trong 292 tháng
Hình 10. Kết quả dự báo đường lưu lượng dầu ngắn hạn
0
1000000
2000000
3000000
4000000
5000000
6000000
7000000
0 50 100 150 200 250 300 350 400
Sả
n l
ượ
ng
 kh
ai 
th
ác
 cộ
ng
 dồ
n (
tấ
n)
Thời gian (tháng)
Cum_FOPR_H Cum_FOPR_Ma
0
1000000
2000000
3000000
4000000
5000000
6000000
7000000
0 50 100 150 200 250 300 350 400
Sả
n l
ượ
ng
 kh
ai 
th
ác
 cộ
ng
 dồ
n (
tấ
n)
Thời gian (tháng)
Cum_FOPR_H Cum_FOPR_Ma
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
284 286 288 290 292 294 296 298 300 302
Lư
u l
ượ
ng
 dầ
u (
tấ
n/
ng
ày
)
Thời gian (tháng)
Data_Prediction FOPR
FOPR_Actual FOPR_Simulation FOPR_ANN FOPR_LGM FOPR_OFM
đầu thực hiện dự báo, điều này cho thấy những phức tạp 
về địa chất phân bố thuộc tính đá chứa và mạng lưới khe 
nứt cũng như tính liên thông thủy động phức tạp của tầng 
chứa móng nứt nẻ. Thực tế hiện nay vẫn chưa có phương 
pháp xây dựng mô hình mô phỏng đối tượng móng chính 
xác, đáng tin cậy và được công nhận rộng rãi.
- Kết quả dự báo đường lưu lượng dầu ngắn hạn 
và dài hạn sử dụng phần mềm OFM cho sai số tương đối 
trung bình lần lượt là 16% và 32%. Phương pháp dự báo 
đường cong suy giảm sử dụng phần mềm OFM cho thấy 
kết quả dự báo đường lưu lượng dầu ngắn hạn cho sai 
số tương đối trung bình thấp hơn kết quả dự báo đường 
45DẦU KHÍ - SỐ 12/2020 
PETROVIETNAM
lưu lượng dài hạn. Tuy nhiên, kết quả dự báo đường lưu lượng dầu sử 
dụng phần mềm OFM chủ yếu mang tính chủ quan của người dự báo 
và không thể dự báo chính xác được khi mỏ/giếng thay đổi cơ chế vận 
hành: mở côn, bơm ép gaslift, bơm ép nước, đóng giếng
8. Kết luận
Nghiên cứu cung cấp một số phương pháp mới dự báo khai thác 
trên tập dữ liệu lịch sử khai thác. Kết quả nghiên cứu cho thấy khả năng 
tổng quát hóa bài toán dự báo trên mô hình ANN thành công cụ hữu 
hiệu để có thể giải quyết hiệu quả nhiều bài toán khác nhau trong kỹ 
thuật khai thác mỏ. Mô hình ANN với nhiều đặc trưng: khả năng học từ 
dữ liệu, tính thích nghi, chịu lỗi khi dữ liệu không đầy đủ hoặc có nhiễu 
là những lợi thế so với phương pháp dự báo 
sử dụng mô hình LGM và các phương pháp 
dự báo truyền thống. 
Mô hình ANN sử dụng thuật toán lan 
truyền ngược đã chứng tỏ khả năng rất tốt 
cho nhiều bài toán phức tạp. Tuy nhiên, 
không có một mô hình chung về số lượng 
neural và sự hội tụ của mạng cho tất cả các 
bài toán. Để có khả năng ứng dụng hiệu quả 
cần có thời gian để đào tạo, điều chỉnh các 
tham số mạng.
Kết quả nghiên cứu ứng dụng LGM sử 
dụng thuật toán tối ưu để tự động tái lặp lịch 
sử khai thác cho đối tượng móng nứt nẻ là 
tương đối tốt. LGM là một công cụ dự báo 
nhanh có thể thay thế phần mềm OFM với 
dữ liệu lịch sử đủ lớn. Tuy nhiên, LGM cũng 
không thể dự báo chính xác được khi mỏ/
giếng thay đổi cơ chế vận hành: mở côn, 
bơm ép gaslift, bơm ép nước, đóng giếng
Tài liệu tham khảo
[1] Q. Cao, R. Banerjee, S. Gupta, J. Li, 
W. Zhou, and B. Jeyachandra, “Data driven 
production forecasting using machine 
learning”, SPE Argentina Exploration and 
Production of Unconventional Resources 
Symposium, Buenos Aires, Argentina, 1 - 3 June 
2016. DOI: 10.2118/180984-MS.
Hình 11. Kết quả dự báo đường lưu lượng dầu dài hạn
Dự báo ngắn hạn 
AE_ 
ANN 
ARE_ 
ANN (%) 
AE_ 
Simulation 
ARE_ 
Simulation (%) 
AE_ 
LGM 
ARE_ 
LGM (%) 
AE_ 
OFM 
ARE_ 
OFM (%) 
Trung bình 254 5,4 3.794 81 191 4,1 751 16 
Độ lệch chuẩn 112 2,4 139 3 114 2,4 258 5 
Nhỏ nhất 31 0,7 3.562 76 17 0,4 313 7 
Lớn nhất 435 9,3 4.014 86 382 8,1 1.264 27 
Bảng 4. Bảng thống kê đánh giá sai số của các mô hình dự báo khai thác dài hạn
Bảng 3. Bảng thống kê đánh giá sai số của các mô hình dự báo khai thác ngắn hạn
Dự báo dài hạn 
AE_ 
ANN 
ARE_ 
ANN (%) 
AE_ 
Simulation 
ARE_ 
Simulation (%) 
AE_ 
LGM 
ARE_ 
LGM (%) 
AE_ 
OFM 
ARE_ 
OFM (%) 
Trung bình 665 9,7 1.287 19 1.087 15,84 2.197 32 
Độ lệch chuẩn 503 7,3 270 4 761 11,18 932 13 
Nhỏ nhất 17 0,2 850 12 24 0,35 389 6 
Lớn nhất 2.521 36,7 1.842 27 2.813 40,97 3.612 53 
0
2000
4000
6000
8000
10000
12000
230 240 250 260 270 280 290 300
Lư
u l
ượ
ng
 dầ
u (
tấ
n/
ng
ày
)
Thời gian (tháng)
Data_Prediction FOPR
FOPR_Actual FOPR_Simulation FOPR_ANN FOPR_LGM FOPR_OFM
46 DẦU KHÍ - SỐ 12/2020 
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
[2] Yanan Li and Yifu Han, “Decline curve analysis 
for production forecasting based on machine learning”, 
SPE Symposium: Production Enhancement and Cost 
Optimisation, Kuala Lumpur, Malaysia, 7 - 8 November 2017. 
DOI: 10.2118/189205-MS. 
[3] A. Mirzaei-Paiamna and S. Salavati, “The 
application of artificial neural networks for the prediction 
of oil production flow rate”, Energy Sources, Part A: Recovery, 
Utilization, and Environmental Effects, Vol. 34, No. 19, pp. 
1834 - 1843, 2012. DOI: 10.1080/15567036.2010.492386. 
[4] David Fulford, “Machine learning for Production 
forecasting: Accuracy through uncertainty”, 12th Annual 
Ryder Scott Reservoir Conference, Houston, TX, 14 September 
2016.
[5] Trần Văn Hồi, Nguyễn Văn Đức và Phạm Xuân Sơn, 
“Tìm kiếm thăm dò và phát triển dầu trong đá móng mỏ 
Bạch Hổ: Tư liệu, sự kiện và bài học kinh nghiệm”, Hội nghị 
khoa học kỷ niệm 30 năm khai thác dầu từ đá móng mỏ 
Bạch Hổ, Vũng Tàu, 6/9/2018.
[6] Trần Đăng Tú, Đinh Đức Huy, Trần Xuân Quý, Phạm 
Trường Giang, Lê Vũ Quân, Lê Thế Hùng, Lê Quốc Trung và 
Trần Nguyên Long, “Nghiên cứu ứng dụng mô hình tăng 
trưởng logistic để dự báo khai thác cho tầng Miocene 
dưới mỏ Bạch Hổ”, Tạp chí Dầu khí, số 9, tr. 16 - 22, 2019.
[7] Pierre-François Verhulst, “Notice sur la loi 
que la population poursuit dans son accroissement”, 
Correspondance Mathématique et Physique, Vol. 10, pp. 113 
- 121, 1838. 
[8] Thomas Robert Malthus, An essay on the principle 
of population: or, a view of its past and present effects 
on human happiness; with an inquiry into our prospects 
respecting the future removal or mitigation of the evils which 
it occasions. Biodiversity Heritage Library (BHL), 1872. DOI: 
10.5962/bhl.title.49216.
[9] A. Tsoularis and J. Wallace, “Analysis of logistic 
growth models”, Mathematical Biosciences, Vol. 179, No. 1, 
pp. 21 - 55, 2002. DOI: 10.1016/S0025-5564(02)00096-2.
[10] M.King Hubbert, Nuclear energy and the fossil 
fuel. Drilling and Production Practice, New York. 1956.
Summary
Conventional tools that are currently used to forecast production for fracture basement (such as simulation model and decline curve 
analysis) are still not highly reliable and their forecasting performance is still short-term, affecting the plan for field development, field 
operation and optimisation of oil recovery. 
The paper introduces the applicability of machine learning algorithm to predict oil production for basement reservoirs of Bach Ho field. 
The research results show that the artificial neural network (ANN) model using reverse propagation algorithm and the logistic growth model 
(LGM) using optimisation algorithm have improved the ability to predict production with high accuracy. 
Key words: Artificial neural network, machine learning, forecasting production, Bach Ho field, logistic growth model.
RESEARCH ON APPLICATION OF MACHINE LEARNING ALGORITHM TO 
FORECAST PRODUCTION FOR FRACTURE BASEMENT - BACH HO FIELD
Tran Dang Tu1, Dinh Duc Huy1, Pham Truong Giang1, Le Quang Duyen2, Tran Xuan Quy1, Le The Hung1, Luu Dinh Tung1
1Vietnam Petroleum Institute
2Hanoi University of Mining and Geology
Email: tutd@vpi.pvn.vn