Әртүрлі тау жынысының деректері негізінде машиналық оқу алгоритмдерінің тиімділігін зерттеу

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Негіздеу. Абсолютті өткізгіштік мұнай және газ кен орындарын игеруде, сақтау мақсатында СО2 қабаттарға айдауда, жер асты суы қабаттарын ластаушы заттардың миграциясын бақылауда кеуекті орталардағы сұйықтардың ағысын және каталитикалық жүйелерді модельдеуде маңызды рөл атқарады. Сондықтан оның мәндерін дәл және тез анықтау маңызды мәселе болып табылады.

Мақсаты. Бұл мақаланың мақсаты – карбонат үлгілерінің абсолютті өткізгіштігін болжау үшін машиналық оқыту әдістерін қолдану мүмкіндігін, сондай-ақ өткізгіштікті болжауды жақсарту жолдарын зерттеу.

Материалдар мен әдістер. Кіріс деректері ретінде, толығымен дерлік кальциттен тұратын төрт цилиндрлік карбонат үлгілерден алынған 408 шағын-көлемдер қолданылды. Кіріс деректері жалпы және байланысқан кеуектілікті, беттің меншікті ауданын, барлық және тек байланысқан кеуектердің радиустарын, координация санын, кеуек мойнының радиусы мен ұзындығын, бұралуды және абсолютті өткізгіштікті қамтиды. Өткізгіштікті болжау кездейсоқ орман, өте кездейсоқ ағаштар және модификацияланған градиентті күшейту сияқты регрессиялық машиналық оқыту әдістерін қолдану арқылы жүзеге асырылады. Шағын көлемдердің параметрлері (деректері) арнаулы Avizo бағдарламалық пакетін пайдалана отырып, олардың кеуекті кеңістігіндегі су ағысын кеуек-масштабта модельдеу арқылы анықталды.

Нәтижелері. Сызатты және сызатсыз үлгілерден алынған шағын-көлемдердің деректері талданды және талдаулар шағын-көлемдердің көптеген параметрлері арасында жақсы байланыс бар екенін көрсетті. Мысалы, байланысқан және жалпы кеуектілік жоғары корреляция коэффициентімен екінші дәрежелі полиномдық байланысқа ие. Жоғарыда аталған регрессиялық машиналық оқытудың әдістерін қолдана отырып, кіріс деректерін оқыту және тестілеу деректеріне 80/20 және 70/30 қатынасында бөлу кезінде абсолютті өткізгіштік мәндері болжанды.

Қорытынды. Өткізгіштіктің орнына оның логарифмін қолдану, сонымен қатар сызатты және сызатсыз үлгілерді бөлек қарастыру арқылы, жоғарыда аталған машиналық оқыту әдістерін пайдалана отырып, абсолютті өткізгіштікті болжаудың дәлдігін 90%-ға дейін арттыруға болады. Өте кездейсоқ ағаштар әдісі біздің есеп үшін қарастырылған машиналық оқытудың үш әдісінің ішінде ең дәлі болып табылды.

Толық мәтін

##article.viewOnOriginalSite##

Авторлар туралы

Бакытжан Калжанович Асилбеков

Satbayev University; KBTU BIGSoft

Email: assibekov.b@gmail.com
ORCID iD: 0000-0002-0368-0131

PhD

Қазақстан, Алматы қаласы; Алматы қаласы

Нұрлыхан Ерланұлы Қалжанов

KBTU BIGSoft; Әл-Фараби атындағы Қазақ Ұлттық Университеті

Email: nurkal022@gmail.com
ORCID iD: 0009-0008-5776-0971
Қазақстан, Алматы қаласы; Алматы қаласы

Дәрежат Абілсеитұлы Болысбек

Satbayev University; Әл-Фараби атындағы Қазақ Ұлттық Университеті

Хат алмасуға жауапты Автор.
Email: bolysbek.darezhat@gmail.com
ORCID iD: 0000-0001-8936-3921
Қазақстан, Алматы қаласы; Алматы қаласы

Кенбой Шералиугли Узбекалиев

Satbayev University

Email: kzkenbai@gmail.com
ORCID iD: 0009-0000-6917-4963
Қазақстан, Алматы қаласы

Бақберген Ермекбайұлы Бекбау

Satbayev Universit

Email: bakbergen@gmail.com
ORCID iD: 0000-0003-2410-1626

PhD

Алматы қаласы

Алибек Бахиджанович Кульджабеков

Satbayev University; KBTU BIGSoft

Email: alibek.kuljabekov@gmail.com
ORCID iD: 0000-0003-4384-6463

PhD

Қазақстан, Алматы қаласы; Алматы қаласы

Әдебиет тізімі

  1. Carman PC. Fluid flow through granular beds. Chem Eng Res Des. 1997;75:S32–S48. doi: 10.1016/S0263-8762(97)80003-2.
  2. Eichheimer P, Thielmann M, Fujita W, et al. Combined numerical and experimental study of microstructure and permeability in porous granular media. Solid Earth. 2020;11(3):1079–1095. doi: 10.5194/se-11-1079-2020.
  3. Mostaghimi P, Blunt MJ, Bijeljic B. Computations of Absolute Permeability on Micro-CT Images. Math Geosci. 2013;45(1):103–125. doi: 10.1007/s11004-012-9431-4.
  4. Luquot L, Rodriguez O, Gouze P. Experimental Characterization of Porosity Structure and Transport Property Changes in Limestone Undergoing Different Dissolution Regimes. Transp Porous Media. 2014;101(3):507–532. doi: 10.1007/s11242-013-0257-4.
  5. Noiriel C, Gouze P, Bernard D. Investigation of porosity and permeability effects from microstructure changes during limestone dissolution. Geophys Res Lett. 2004;31(24):1–4. doi: 10.1029/2004GL021572.
  6. Smith MM, Sholokhova Y, Hao Y, Carroll SA. CO2-induced dissolution of low permeability carbonates. Part I: Characterization and experiments. Adv Water Resour. 2013;62:370–387. doi: 10.1016/j.advwatres.2013.09.008.
  7. Koponen A, Kataja M, Timonen J. Permeability and effective porosity of porous media. Phys Rev E. 1997;56(3):3319–3325. doi: 10.1103/PhysRevE.56.3319.
  8. Mavko G, Nur A. The effect of a percolation threshold in the Kozeny-Carman relation. GEOPHYSICS. 1997;62(5):1480–1482. doi: 10.1190/1.1444251.
  9. Bernabe Y, Brace WF, Evans B. Permeability, porosity and pore geometry of hot-pressed calcite. Mech Mater. 1982;1(3):173–183. doi: 10.1016/0167-6636(82)90010-2.
  10. Nishiyama N, Yokoyama T. Permeability of porous media: Role of the critical pore size. J Geophys Res Solid Earth. 2017;122(9):6955–6971. doi: 10.1002/2016JB013793.
  11. Elmorsy M, El-Dakhakhni W, Zhao B. Generalizable Permeability Prediction of Digital Porous Media via a Novel Multi-Scale 3D Convolutional Neural Network. Water Resour Res. 2022;58(3). doi: 10.1029/2021WR031454.
  12. Tian J, Qi C, Sun Y, Yaseen ZM, Pham BT. Permeability prediction of porous media using a combination of computational fluid dynamics and hybrid machine learning methods. Eng Comput. 2021;37(4):3455–3471. doi: 10.1007/s00366-020-01012-z.
  13. Mohammadian E, Kheirollahi M, Liu B, Ostadhassan M, Sabet M. A case study of petrophysical rock typing and permeability prediction using machine learning in a heterogenous carbonate reservoir in Iran. Sci Rep. 2022;12(1):4505. doi: 10.1038/s41598-022-08575-5.
  14. Rezaee R, Ekundayo J. Permeability Prediction Using Machine Learning Methods for the CO2 Injectivity of the Precipice Sandstone in Surat Basin, Australia. Energies. 2022;15(6):2053. doi: 10.3390/en15062053.
  15. Gholami R, Shahraki AR, Jamali Paghaleh M. Prediction of Hydrocarbon Reservoirs Permeability Using Support Vector Machine. Math Probl Eng. 2012;2012:1–18. doi: 10.1155/2012/670723.
  16. Erofeev A, Orlov D, Ryzhov A, Koroteev D. Prediction of Porosity and Permeability Alteration Based on Machine Learning Algorithms. Transp Porous Media. 2019;128(2):677–700. doi: 10.1007/s11242-019-01265-3.
  17. Tembely M, AlSumaiti AM, Alameri W. A deep learning perspective on predicting permeability in porous media from network modeling to direct simulation. Comput Geosci. 2020;24(4):1541–1556. doi: 10.1007/s10596-020-09963-4.
  18. Akasheva Z, Bolysbek D, Assilbekov B. Study of carbonate rock dissolution using x-ray microcomputed tomography: impact of acid flow rate. News Natl Acad Sci Repub Kazakhstan Ser Geol Tech Sci. 2023;1(457):20–32. doi: 10.32014/2023.2518-170Х.256.
  19. Shahani NM, Zheng X, Liu C, Hassan FU, Li P. Developing an XGBoost Regression Model for Predicting Young’s Modulus of Intact Sedimentary Rocks for the Stability of Surface and Subsurface Structures. Front Earth Sci. 2021;9. doi: 10.3389/feart.2021.761990.
  20. Hameed MM, AlOmar MK, Khaleel F, Al-Ansari N. An Extra Tree Regression Model for Discharge Coefficient Prediction: Novel, Practical Applications in the Hydraulic Sector and Future Research Directions. Armaghani D, ed. Math Probl Eng. 2021;2021:1–19. doi: 10.1155/2021/7001710.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу
2. Figure 1. 3D digital models of samples (a), extraction of small volumes (b) and display of existing fractures in sample #2 (c)

Жүктеу (217KB)
Метадеректер
3. Figure 2. Pairwise (a) and correlation matrix (b) for the initial data

Жүктеу (310KB)
Метадеректер
4. Figure 3. Predicted and true permeability for data division in the ratio of 70/30 (a) and 80/20 (b)

Жүктеу (144KB)
Метадеректер
5. Figure 4. Feature importances in permeability prediction using Random Forest (left), Extra Tree (center), and XGBoost (right) methods

Жүктеу (115KB)
Метадеректер
6. Figure 5. Pairwise (a) and correlation matrix (b) for the initial data

Жүктеу (324KB)
Метадеректер
7. Figure 6. Predicted and true permeability for data division in the ratio of 70/30 (a) and 80/20 (b)

Жүктеу (120KB)
Метадеректер
8. Figure 7. Pair-plots and distribution diagrams of small volumes, extracted from non-fractured (a) and fractured (b) samples

Жүктеу (401KB)
Метадеректер
9. Figure 8. Correlation matrix for the initial data of small volumes, extracted from non-fractured (a) and fractured (b) samples

Жүктеу (245KB)
Метадеректер
10. Figure 9. Predicted and true permeabilities of small volumes extracted from non-fractured samples for the data division in a ratio of 70/30 (a) and 80/20 (b)

Жүктеу (92KB)
Метадеректер
11. Figure 10. Predicted and true permeabilities of small volumes extracted from a fractured sample for the data division in a ratio of 70/30 (a) and 80/20 (b)

Жүктеу (101KB)
Метадеректер
12. Figure 11. Predicted and true permeabilities of small volumes extracted from (a) fractured and (b) non-fractured samples during blind tests

Жүктеу (95KB)
Метадеректер

© Assilbekov B., Kalzhanov N., Bolysbek D., Uzbekaliyev K., Bekbau B., Kuljabekov A., 2024

Creative Commons License
Бұл мақала лицензия бойынша қол жетімді Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».