Nghiên cứu ứng dụng thuật toán học máy để dự báo khai thác cho đối tượng móng nứt nẻ, mỏ Bạch Hổ
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.
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Trang 8
Trang 9
Trang 10
Tóm tắt nội dung tài liệu: 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
File đính kèm:
- nghien_cuu_ung_dung_thuat_toan_hoc_may_de_du_bao_khai_thac_c.pdf