Aprendizaje profundo supervisado

Scientific Reports volumen 13, Número de artículo: 4892 (2023) Citar este artículo

695 Accesos

5 citas

2 Altmetric

Detalles de métricas

Los altos precios del petróleo y la preocupación por las reservas limitadas de petróleo conducen a un mayor interés en la recuperación mejorada de petróleo (EOR). Seleccionar el plan de desarrollo más eficiente es de alto interés para optimizar el costo económico. Por lo tanto, el objetivo principal de este estudio es construir un novedoso clasificador de aprendizaje profundo para seleccionar el mejor método de EOR en función de las propiedades de la roca y los fluidos del yacimiento (profundidad, porosidad, permeabilidad, gravedad, viscosidad) y la temperatura. Nuestro clasificador basado en el aprendizaje profundo consta de una red neuronal convolucional unidimensional (1D), memoria a corto plazo (LSTM) y capas de red neuronal densamente conectadas. El algoritmo genético se ha aplicado para ajustar los hiperparámetros de este clasificador híbrido. El clasificador propuesto se desarrolla y prueba utilizando 735 proyectos EOR en yacimientos de arenisca, arenisca no consolidada, carbonato y conglomerados en más de 17 países. Tanto las investigaciones numéricas como las gráficas aprueban que el clasificador de aprendizaje profundo ajustado a la estructura es una herramienta confiable para evaluar los escenarios de EOR y seleccionar el mejor. El modelo diseñado clasifica correctamente los ejemplos de entrenamiento, validación y prueba con una precisión del 96,82 %, 84,31 % y 82,61 %, respectivamente. Significa que solo 30 de los 735 proyectos EOR disponibles están identificados incorrectamente por el clasificador de aprendizaje profundo propuesto. El modelo también demuestra una pequeña entropía cruzada categórica de 0.1548 para la clasificación de las técnicas de recuperación mejorada de petróleo involucradas. Se requiere un clasificador tan poderoso para seleccionar el candidato EOR más adecuado para un yacimiento de petróleo dado con información de campo limitada.

La recuperación mejorada de petróleo (EOR) ayuda a optimizar el factor de recuperación para aumentar los rendimientos de los proyectos de petróleo y gas1,2,3. El aumento de los precios del petróleo crea preocupación sobre los recursos energéticos futuros y aumenta el interés en la recuperación mejorada del petróleo en el mundo4,5. Los proyectos EOR suelen ser costosos y tienen costos iniciales más altos que los proyectos secundarios tradicionales6. Un proyecto de recuperación inapropiado puede provocar daños permanentes en los embalses y aumentar las pérdidas financieras. Estos análisis comprenden pruebas de laboratorio y avances a través de la caracterización y simulación del yacimiento, el diseño y la implementación de pruebas piloto hasta el diseño final y la implementación del proyecto de campo completo. Además, todas las fases antes mencionadas implican inversiones que pueden ser riesgosas si no están debidamente respaldadas por una fase preliminar de evaluación rentable. Por lo tanto, un elemento clave del enfoque de toma de decisiones es, ante todo, la evaluación del potencial EOR para un yacimiento objetivo. Este es el objetivo crítico logrado por la práctica de la evaluación EOR, que pretende proporcionar la primera métrica que se empleará para la reducción de riesgos con una inversión de capital modesta.

Por lo tanto, es deseable un método de detección de recuperación mejorada de petróleo confiable y preciso para desarrollar yacimientos agotados. Una revisión de la literatura indica que, en general, existen dos técnicas para la detección de EOR: (1) detección de EOR convencional (CEORS) y (2) detección de EOR avanzada (AEORS)7,8,9. La técnica CEORS considera varios parámetros de detección predefinidos para indicar la probabilidad de implementación exitosa de cada técnica EOR. Estos parámetros generalmente cubren las propiedades de la roca y el fluido del yacimiento (como la saturación de petróleo, la gravedad API, el espesor de la capa, el tipo de formación, la permeabilidad, la viscosidad, la salinidad, la temperatura y la profundidad) para métodos de EOR exitosos10,11. Estos estándares propuestos se lograron mediante el análisis de los proyectos EOR exitosos realizados antes de 199710. Además, otros factores como la reserva disponible y los costos de implementación tienen un impacto tangible en los criterios propuestos. Estos parámetros se han utilizado ampliamente en la detección de EOR durante muchos años y los investigadores apenas intentaron mejorarlos o actualizarlos. Al-Adasani y Bai12 revisaron los proyectos EOR realizados desde 1998 y mejoraron el principio propuesto por Taber et al.10. Mashayekhizadeh et al. integró varios criterios principales de selección y produjo un conjunto de criterios de realismo para cada técnica EOR13. Zhang et al. propuso un índice de selección gráfico mediante el análisis de los muchos proyectos de recuperación mejorada de petróleo en función de los parámetros estadísticos14. Jensen et al. consideró CEORS en el campo Ekofisk y los resultados indicaron que los escenarios de inyección de gas alternante de agua (WAG) y de inyección de aire son los métodos EOR más adecuados15. Alvarado y Manrique destacaron que la limitación notable de los métodos convencionales es que solo brindan una respuesta de "pasa/no pasa", sin detalles adicionales sobre las estrategias de EOR realizadas en campos similares16. Por otro lado, los avances en informática han creado una buena oportunidad para un enfoque alternativo. En la última década, la tecnología asistida por computadora ha mejorado los enfoques de detección de EOR. Las propiedades de la roca y los fluidos del yacimiento, así como la implementación exitosa de los métodos EOR, juegan un papel importante en este enfoque. Este enfoque se extendió suavemente como AEORS. Al igual que con otros campos de investigación17, los métodos de aprendizaje automático también se aplican para manejar la evaluación de EOR18,19. Las estrategias de inteligencia artificial, incluidas las redes neuronales artificiales (ANN)18,19, los sistemas expertos20,21, la inferencia difusa22 y las redes bayesianas23,24 ya se han involucrado en la tarea de clasificación de EOR. Los primeros estudios de AEORS fueron realizados por Alvarado et al.25. Consideraron 290 proyectos EOR en todo el mundo y aplicaron métodos de agrupamiento y reducción de dimensionalidad para crear un mapa experto para elegir un método EOR adecuado25. La investigación realizada por Lee et al. incluye entrenar un modelo ANN utilizando 230 escenarios exitosos de recuperación mejorada de petróleo para identificar el escenario EOR más adecuado para los reservorios candidatos26. Además, Zerafat et al. integraron los criterios propuestos por Taber et al. utilizando escenarios EOR 1098 y desarrolló una red de creencias bayesianas para predecir los métodos EOR apropiados24. Parada y Ertekin utilizaron un simulador de embalse comercial para recopilar los datos necesarios para realizar el tren ANN27. Propusieron un nuevo enfoque para la detección de EOR y la predicción del rendimiento de los escenarios de recuperación mejorada de petróleo27. También se llevaron a cabo varios estudios similares en este campo y se comprobaron muchas técnicas de aprendizaje automático para encontrar una herramienta inteligente para la detección de EOR. Khazali et al. recientemente entrenó un algoritmo de árbol de decisiones difuso utilizando 548 proyectos EOR exitosos en todo el mundo para indicar las reglas de detección28. Babushkina et al. defina e investigue la analogía mediante la aplicación de un método de agrupamiento k-Means en el espacio de 6 dimensiones de la roca del yacimiento y las propiedades de los fluidos29. El potencial EOR de un campo objetivo se estima mediante la interpolación de los factores de recuperación asociados con las (eventualmente diferentes) técnicas EOR de proyectos que pertenecen al mismo grupo29. Además, Trujillo et al.30 combinaron enfoques convencionales y avanzados para clasificar la base de datos disponible según una puntuación de similitud10,11. Este enfoque ha permitido identificar técnicas EOR con alto potencial de aplicación en los campos petroleros de Colombia.

En consecuencia, se deben realizar estudios preliminares cuidadosos y detallados para reducir la incertidumbre y minimizar el riesgo de falla del proceso de selección de EOR.

Nuevas clases de técnicas inteligentes, a saber, el marco de aprendizaje profundo31, el aprendizaje de refuerzo profundo32,33, la red de creencias profundas34, la red de convolución de atención de gráficos duales35 se han sugerido recientemente para monitorear (modelar, controlar y clasificar) el comportamiento incluso de problemas complicados. Por lo tanto, el principal problema abordado en este trabajo consiste en seleccionar la técnica EOR más adecuada para el yacimiento objetivo utilizando un novedoso clasificador basado en aprendizaje profundo. Este novedoso clasificador consta de LSTM (memoria a largo plazo), 1D CNN (red neuronal convolucional unidimensional) y capas de redes neuronales densamente conectadas (DNN). Además, se ha utilizado el algoritmo genético (GA)36 para ajustar sistemáticamente los hiperparámetros del clasificador. El clasificador propuesto requiere una cantidad mínima de información (es decir, profundidad, porosidad, permeabilidad, gravedad del petróleo, viscosidad y temperatura) para clasificar los posibles escenarios EOR y sugerir el mejor. Una herramienta tan poderosa puede reducir el costo asociado con las pruebas de campo y ayudar en la selección del método EOR con mayor confianza.

Los datos de 735 proyectos EOR de campo real aplicados en yacimientos de carbonato, arenisca, arenisca no consolidada y conglomerados en más de 17 países se recopilaron de la literatura y se utilizaron para desarrollar el clasificador basado en el aprendizaje profundo. Esta información incluye porosidad (%), profundidad (ft), gravedad del petróleo (API), permeabilidad (md), viscosidad (cP) y temperatura (°F) como variables independientes. Además, los escenarios EOR aplicados incluyen inundación de agua (Clase 0), inundación de CO2 (Clase 1), inundación de hidrocarburos (Clase 2), gas alternante de agua (Clase 3), inundación de polímeros (Clase 4), inundación de surfactantes (Clase 5) , las recuperaciones térmicas como la inyección de vapor y la combustión in situ (Clase 6) son los objetivos que deben identificarse.

La Figura 1 presenta la distribución de la litología del yacimiento disponible en los proyectos EOR de campo real recopilados. Esta figura muestra los yacimientos de carbonatos y conglomerados con los números máximos y mínimos de las operaciones EOR en la base de datos disponible. Además, la Fig. 2 diferencia los proyectos EOR en función de la ubicación donde se ejecutan. Se puede ver que el banco de datos recopilado incluye la información EOR de más de 17 países de todo el mundo.

La distribución de los métodos EOR basados ​​en la litología del yacimiento.

Distribución total de datos disponibles por país.

Durante el preprocesamiento de datos, se aplicó la normalización de puntuación z (ecuación (1)) para escalar la característica de entrada37.

donde AV y NV representan los valores reales y normalizados de una variable. Además, μ y σ significan la media y desviación estándar de la variable.

Las etiquetas numéricas (0 a 6) que representan los diferentes métodos EOR se han convertido a una matriz binaria en el estudio actual.

Como se explicó anteriormente, este trabajo tiene como objetivo aplicar una red de estructura profunda híbrida de tres capas linealmente apilada que consta de 1D CNN, LSTM y DNN para evaluar los métodos de EOR basados ​​en las propiedades y la temperatura de la roca y los fluidos del yacimiento.

La Figura 3 presenta la estructura general del clasificador híbrido utilizado en este estudio. El valor numérico de las variables independientes normalizadas (vector v × 1) ingresa a la CNN 1D para el aprendizaje de características38. La CNN tiene k filtros de tamaño R1 × 1 que se convolucionan con la matriz de entrada para producir k mapas de características. La CNN activada por unidad lineal rectificada (ReLU) da la salida de forma v × k. La capa LSTM con p unidades y una función de activación de tangente hiperbólica (Tanh)39 proporciona una conexión de retroalimentación para transmitir la información relevante. Finalmente, la salida LSTM se entrega a la capa DNN con neuronas D y una función de activación softmax para proporcionar los resultados finales de clasificación.

Estructura del clasificador híbrido de estructura profunda de tres capas.

El conjunto de datos disponible (735 muestras) se ha dividido en tres grupos que no se superponen, es decir, entrenamiento (90 %, 661 muestras), validación (7 %, 51 muestras) y prueba (3 %, 23 muestras). El primer grupo incluye muestras que ayudan a ajustar los parámetros sintonizables del clasificador y cumplir con la etapa de aprendizaje. Por otro lado, el grupo de validación se utiliza para evaluar el desempeño del modelo durante el paso de entrenamiento. El último grupo se ha aplicado para evaluar el rendimiento de clasificación del modelo entrenado frente a algunas muestras no vistas y monitorear su capacidad de generalización.

Dado que el número de variables independientes y clases de EOR lo dicta el problema investigado, solo es necesario regular el número de unidades en las capas CNN y LSTM. El GA, que proporciona una solución óptima o casi óptima de una función objetivo predefinida del espacio del problema40, se ha utilizado en este trabajo para ajustar estos dos hiperparámetros. La población se inicializó mediante un muestreo aleatorio y el GA evolucionó a lo largo de 500 generaciones mediante la selección de torneos, el cruce de un punto y los operadores de mutación. El GA minimiza la función de entropía cruzada categórica (CCE) para obtener valores óptimos de hiperparámetros, incluido el número de filtros en la capa CNN (unidades Conv1D) y el número de unidades en la capa LSTM (unidades LSTM). La Tabla 1 proporciona los límites del espacio de búsqueda que se utilizan durante la optimización de GA.

La Figura 4 presenta una variación del CCE por la generación GA cuando el número de filtros en la capa CNN y unidades en la capa LSTM se cambia en los rangos predefinidos. Esta figura muestra que el CCE mínimo de 0.1050 se logra en la generación 143. Este CCE mínimo está asociado con las unidades Conv1D y LSTM como 349 y 60, respectivamente.

Variación del CCE por la generación GA.

La Tabla 2 resume las características clave del clasificador de aprendizaje profundo ajustado a la estructura de GA.

El análisis anterior aprueba que el modelo secuencial híbrido con tres capas (ie CNN con 349 unidades y LSTM con 60 unidades) es el mejor clasificador para seleccionar el escenario EOR más eficiente para un yacimiento de petróleo considerado. Este clasificador solo necesita recibir la matriz normalizada de las seis características independientes para clasificar las clases de EOR.

Se han aplicado los índices CCE y de precisión para evaluar el desempeño del clasificador. Las expresiones matemáticas de estos índices se muestran en las ecuaciones. (2) y (3)41.

donde N es el número de la muestra de datos; \(n_{k}\) y \(\overline{n}_{k}\) presentan los k-ésimos valores reales y estimados.

La Tabla 3 resume el valor numérico del CCE, así como la precisión del clasificador basado en aprendizaje profundo diseñado en las etapas de capacitación, validación y prueba. También se debe tener en cuenta que nuestro clasificador de aprendizaje profundo identificó el escenario EOR correcto de 735 ejemplos de campo con una precisión general de 95,92 y CCE = 0,1548.

La matriz de confusión42 es una técnica gráfica bien establecida para evaluar fácilmente la confiabilidad de un clasificador. Esta técnica revela el número de identificaciones correctas e incorrectas de cada clase involucrada. De hecho, los registros ubicados en las celdas diagonales indican el número de identificaciones correctas para las clases involucradas. Además, otros registros en la matriz de confusión son identificaciones incorrectas.

Las matrices de confusión asociadas con las etapas de entrenamiento, validación y prueba se presentan en las Figs. 5, 6 y 7, respectivamente. La Figura 5 aclara que el modelo de aprendizaje profundo propuesto identifica correctamente 640 de 661 escenarios EOR en la etapa de entrenamiento. Además, el clasificador diseñado muestra un desempeño sobresaliente en la correcta identificación de los grupos de validación y prueba. De hecho, distingue correctamente 43 de 51 muestras de validación y 19 de 23 ejemplos de prueba no vistos.

La matriz de confusión del modelo diseñado en relación con la clasificación de los datos de entrenamiento.

La matriz de confusión del modelo diseñado en relación con la clasificación de los datos de validación.

La matriz de confusión del modelo diseñado relacionado con la clasificación de los datos de prueba.

Esta investigación tiene como objetivo emplear la estructura basada en el aprendizaje profundo para seleccionar el escenario EOR más adecuado en función de las características del yacimiento de petróleo, incluida la profundidad, la porosidad, la permeabilidad, la gravedad, la viscosidad y la temperatura. La información sobre 735 proyectos EOR de campo real recopilada de la literatura se ha utilizado para diseñar el clasificador considerado y monitorear su precisión. El banco de datos utilizado incluye los escenarios EOR aplicados en los yacimientos carbonatados, areniscas, areniscas no consolidadas y conglomerados en más de 17 países. El GA ha ajustado los hiperparámetros del clasificador basado en el aprendizaje profundo. Se encontró que las capas 1D CNN y LSTM del clasificador deben tener 349 y 60 unidades, respectivamente. El clasificador de aprendizaje profundo ajustado a la estructura identificó el escenario EOR correcto de 735 ejemplos de campo con una precisión excelente de 95,92 y un CCE pequeño de 0,1548. Una herramienta tan confiable puede reducir fácilmente el costo asociado con la verificación de varios proyectos EOR basados ​​en el procedimiento de prueba y error.

Todos los datos analizados en este estudio recopilados de la literatura están disponibles previa solicitud razonable del autor correspondiente (Dr. B. Vaferi).

Wang, X. et al. Mecanismo de recuperación mejorada de petróleo por fluido de bola difusa como un nuevo agente de desplazamiento de petróleo. Informe de energía 9, 1447–1463 (2023).

Artículo Google Académico

Vo Thanh, H., Sugai, Y. & Sasaki, K. Aplicación de redes neuronales artificiales para predecir el rendimiento de la recuperación y el almacenamiento mejorados de petróleo con CO2 en zonas de petróleo residual. ciencia Rep. 10, 1–16 (2020).

Artículo Google Académico

Cui, K. et al. Estimulación de microbios autóctonos mediante la optimización del corte de agua en yacimientos de baja permeabilidad para la recuperación de petróleo verde y mejorada. ciencia Rep. 9, 1–12 (2019).

Artículo Google Académico

Sun, H., Wang, H. & Lun, Z. Efecto de la permeabilidad y las fracturas en la movilización de petróleo de recursos no convencionales durante la EOR de CO2 usando resonancia magnética nuclear. ciencia Rep. 11, 1–6 (2021).

ANUNCIOS Google Académico

Qu, M. et al. Estudio de laboratorio y aplicación de campo de nanoláminas anfifílicas de disulfuro de molibdeno para la recuperación mejorada de petróleo. J. Mascota. ciencia Ing. 208, 109695 (2022).

Artículo CAS Google Académico

Mahdaviara, M., Sharifi, M. & Ahmadi, M. Hacia la evaluación y selección de los escenarios de recuperación mejorada de petróleo para yacimientos de baja permeabilidad utilizando técnicas estadísticas y de aprendizaje automático. Combustible 325, 124795 (2022).

Artículo CAS Google Académico

Shen, B., Yang, S., Chen, H., Li, S. y Gao, X. Un nuevo método de evaluación del potencial de Co2-Eor basado en algoritmos Bo-lightgbm que utilizan minería de características híbridas. Ciencias de la geoenergía. Ing. https://doi.org/10.2139/ssrn.4170657 (2023).

Artículo Google Académico

Syed, FI, Muther, T., Dahaghi, AK y Neghabhan, S. Evaluación del rendimiento de la EOR de CO2 en un yacimiento no convencional a través de un modelo proxy con restricciones mecánicas. Combustible 310, 122390 (2022).

Artículo CAS Google Académico

Cho, J., Min, B., Jeong, MS, Lee, YW y Lee, KS Modelado de WAG de CO2-LPG con deposición de asfaltenos para predecir el rendimiento combinado de recuperación y almacenamiento de petróleo mejorado. ciencia Rep. 11, 1–14 (2021).

Google Académico

Taber, JJ, Martin, FD & Seright, RS Revisión de los criterios de selección de EOR—Parte 1: Introducción a los criterios de selección y proyectos de campo de recuperación mejorada. Reserva SPE Ing. 12, 189–198 (1997).

Artículo CAS Google Académico

Taber, JJ, Martin, FD & Seright, RS Revisión de los criterios de selección de EOR—Parte 2: Aplicaciones e impacto de los precios del petróleo. Reserva SPE Ing. 12, 199–206 (1997).

Artículo CAS Google Académico

Al Adasani, A. & Bai, B. Análisis de proyectos EOR y criterios de selección actualizados. J. Mascota. ciencia Ing. 79, 10–24 (2011).

Artículo CAS Google Académico

Mashayekhizadeh, V., Kord, S. & Dejam, M. Potencial EOR dentro de Irán. Especificaciones. Arriba. Rev. Medios Porosos 5, 325–354 (2014).

Artículo Google Académico

Zhang, N. et al. Desarrollo de un sistema de puntuación híbrido para el cribado EOR mediante la combinación de directrices de cribado convencionales y un algoritmo de bosque aleatorio. Combustible 256, 115915 (2019).

Artículo CAS Google Académico

Jensen, TB, Harpole, KJ & Østhus, A. Detección de EOR para Ekofisk. En SPE European Petroleum Conference (eds Jensen, TB et al.) (OnePetro, 2000).

Google Académico

Alvarado, V. & Manrique, E. Recuperación mejorada de petróleo: estrategias de desarrollo y planificación de campos (Gulf Professional Publishing, 2010).

Libro Google Académico

Amini, Y., Fattahi, M., Khorasheh, F. y Sahebdelfar, S. Red neuronal que modela el efecto de los aditivos oxigenados en el rendimiento del catalizador Pt–Sn/γ-Al 2 O 3 en la deshidrogenación de propano. aplicación Petroquímica. Res. 3, 47–54 (2013).

Artículo CAS Google Académico

Surguchev, L. & Li, L. Evaluación de IOR y detección de aplicabilidad utilizando redes neuronales artificiales. En SPE/DOE Simposio de Recuperación de Petróleo Mejorado (eds Surguchev, L. & Li, L.) (OnePetro, 2000).

Google Académico

Kamari, A., Nikookar, M., Sahranavard, L. y Mohammadi, AH Detección eficiente de métodos mejorados de recuperación de petróleo y análisis económico predictivo. Cómputo neuronal. aplicación 25, 815–824 (2014).

Artículo Google Académico

Gharbi, RBC Un sistema experto para seleccionar y diseñar procesos EOR. J. Mascota. ciencia Ing. 27, 33–47 (2000).

Artículo CAS Google Académico

Abass, E. & Song, CL Selección de inteligencia artificial con capacidad de editar un nuevo parámetro para los criterios de selección de EOR. J. Ing. ciencia Tecnología 6, 628–638 (2011).

Google Académico

Anikin, I. Modelo de representación del conocimiento y sistema de soporte de decisiones para métodos mejorados de recuperación de petróleo. en Actas de la conferencia internacional sobre sistemas inteligentes, minería de datos y tecnología de la información (ICIDIT '2014) 101–105 (2014).

Moreno, JE, Gurpinar, OM, Liu, Y., Al-Kinani, A. & Cakir, N. Sistema asesor de EOR: un enfoque integral para la selección de EOR. En International Petroleum Technology Conference (eds Moreno, JE et al.) (OnePetro, 2014).

Google Académico

Zerafat, MM, Ayatollahi, S., Mehranbod, N. & Barzegari, D. Análisis de redes bayesianas como herramienta para la detección eficiente de EOR. En SPE Enhanced Oil Recovery Conference (eds Zerafat, MM et al.) (OnePetro, 2011).

Google Académico

Alvarado, V. et al. Selección de oportunidades EOR/IOR basada en aprendizaje automático. En European Petroleum Conference (ed. Alvarado, V.) (OnePetro, 2002).

Google Académico

Lee, J.-Y., Shin, H.-J. y Lim, J.-S. Selección y evaluación del método de recuperación mejorada de petróleo utilizando redes neuronales artificiales. geosistema Ing. 14, 157–164 (2011).

Artículo Google Académico

Parada, CH & Ertekin, T. Una nueva herramienta de detección para métodos mejorados de recuperación de petróleo utilizando redes neuronales artificiales. En SPE Western Regional Meeting (eds Parada, CH & Ertekin, T.) (OnePetro, 2012).

Google Académico

Khazali, N., Sharifi, M. y Ahmadi, MA Aplicación del árbol de decisión difusa en la evaluación de detección de EOR. J. Mascota. ciencia Ing. 177, 167–180 (2019).

Artículo CAS Google Académico

Khrulenko, AA et al. Pronosticar el potencial de IOR/EOR ​​con base en los parámetros del yacimiento. En IOR 2013–17º Simposio Europeo sobre Recuperación de Petróleo Mejorada (ed. Khrulenko, AA) cp-342 (Asociación Europea de Geocientíficos e Ingenieros, 2013).

Google Académico

Trujillo, M. et al. Metodología de selección para la evaluación de selección de métodos de recuperación mejorada de petróleo. En SPE Conferencia de Ingeniería Petrolera de América Latina y el Caribe (ed. Trujillo, M.) (OnePetro, 2010).

Google Académico

Zhan, C., Dai, Z., Soltanian, MR & de Barros, FPJ Análisis de valor de datos para la identificación de estructuras subterráneas heterogéneas con un marco de aprendizaje profundo estocástico. Recurso de agua. Res. 58, e2022WR033241 (2022).

Artículo ANUNCIOS Google Académico

Zhao, Y., Wang, H., Xu, N., Zong, G. y Zhao, X. Control tolerante a fallas descentralizado basado en el aprendizaje de refuerzo para sistemas no lineales interconectados restringidos. Caos, Solitons Fractals 167, 113034 (2023).

Artículo MathSciNet Google Académico

Zhang, K. et al. Capacitación de agentes de aprendizaje de refuerzo profundo efectivos para la optimización de la producción del ciclo de vida en tiempo real. J. Mascota. ciencia Ing. 208, 109766 (2022).

Artículo CAS Google Académico

Li, R., Wu, X., Tian, ​​H., Yu, N. y Wang, C. Redes de creencias profundas basadas en el análisis de factores preentrenados meméticos híbridos para la inversión electromagnética transitoria. Trans. IEEE. Geosci. Sensores remotos 60, 1–20 (2022).

Google Académico

Huang, CQ et al. Red de convolución de atención de gráficos duales para la clasificación de nubes de puntos en 3D. Trans. IEEE. Red neuronal Aprender. sist. https://doi.org/10.1109/TNNLS.2022.3162301 (2022).

Artículo PubMed Google Académico

Amini, Y., Gerdroodbary, MB, Pishvaie, MR, Moradi, R. & Monfared, SM Control óptimo de cristalizadores de enfriamiento por lotes mediante el uso de algoritmos genéticos. Estudio de caso. Termia. Ing. 8, 300–310 (2016).

Artículo Google Académico

Jayalakshmi, T. & Santhakumaran, A. Normalización estadística y propagación hacia atrás para la clasificación. En t. J. Cómputo. Teoría Ing. 3, 1793–8201 (2011).

Google Académico

Kiranyaz, S. et al. Aplicaciones y redes neuronales convolucionales 1D: una encuesta. mecánico sist. Proceso de señal. 151, 107398 (2021).

Artículo Google Académico

Kumar Pandey, R., Aggarwal, S., Nath, G., Kumar, A. y Vaferi, B. Redes neuronales integradas de algoritmo metaheurístico para análisis de prueba de pozos de yacimientos de petróleo. ciencia Rep. 12, 1–16 (2022).

Artículo ANUNCIOS Google Académico

Heydari, A., Alborzi, ZS, Amini, Y. & Hassanvand, A. Optimización de la configuración de un sistema híbrido renovable que incluye un generador de biogás, un panel fotovoltaico y una turbina eólica: optimización de enjambres de partículas y algoritmos genéticos. En t. Mod. J. física C https://doi.org/10.1142/S0129183123500699 (2022).

Artículo Google Académico

Pandey, RK, Kumar, A. & Mandal, A. Un modelo robusto de predicción de estructura profunda para la caracterización de yacimientos de petróleo utilizando datos de prueba de presión transitoria. Gasolina. Res. 7, 204–219 (2022).

Artículo Google Académico

Wu, MT Matriz de confusión y sistema de reconocimiento de movimiento basado en métricas de entropía cruzada mínima en el aula. ciencia Rep. 12, 1–10 (2022).

Google Académico

Descargar referencias

Departamento de Estudios de Petróleo y Energía, Escuela de Ingeniería y Tecnología, Universidad DIT, Dehradun, India

Rakesh Kumar Pandey

Departamento de Ingeniería Química, Rama de Shiraz, Universidad Islámica Azad, Shiraz, Irán

Asghar Gandomkar y Behzad Vaferi

Departamento de Cálculos Avanzados, Centro de Investigación de Ingeniería Química, del Petróleo y de Polímeros, Sucursal de Shiraz, Universidad Islámica de Azad, Shiraz, Irán

Behzad Vaferi

Director, Instituto de Tula, Dehradun, 248001, India

Anil Kumar

Facultad de Ingeniería y Ciencias Aplicadas, Universidad de Regina, Regina, SK, S4S 0A2, Canadá

Farshid Torabi

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

Desarrollo, escritura y edición del modelo RKP Recopilación, escritura y edición de datos AG y FT Escritura y edición BV y AK.

Correspondencia a Behzad Vaferi.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Kumar Pandey, R., Gandomkar, A., Vaferi, B. et al. Paradigma supervisado basado en aprendizaje profundo para evaluar los escenarios de recuperación mejorada de petróleo. Informe científico 13, 4892 (2023). https://doi.org/10.1038/s41598-023-32187-2

Descargar cita

Recibido: 12 enero 2023

Aceptado: 23 de marzo de 2023

Publicado: 25 de marzo de 2023

DOI: https://doi.org/10.1038/s41598-023-32187-2

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.