Исследование эффективности алгоритмов машинного обучения на основе данных различных горных пород

Обоснование. Абсолютная проницаемость играет важную роль в изучении течения жидкостей в пористых средах при разработке нефтегазовых месторождений, закачке СО₂ в пласты для хранения, мониторинге миграции загрязнителей в подземных водоносных слоях, а также моделировании каталитических систем. Следовательно, точная и оперативная оценка её значений является актуальной задачей.

Цель. Целью настоящей статьи является изучение применимости методов машинного обучения для прогнозирования абсолютной проницаемости карбонатных образцов, а также путей улучшения прогноза проницаемости.

Материалы и методы. В качестве входных используются данные 408 мини-объемов, отобранные из четырех цилиндрических карбонатных образцов, практически полностью состоящих из кальцита. Входные данные включают общую и связанную пористости, удельную площадь поверхности, радиусы всех пор, а также радиусы только соединенных между собой пор, координационные числа, радиусы и длины горловины пор, извилистость и абсолютную проницаемость. Оценка проницаемости осуществляется с помощью регрессионных методов машинного обучения, таких как метод случайного леса, чрезвычайно случайных деревьев и модифицированный метод повышения градиента. Параметры (данные) мини-объемов были определены при помощи поромасштабного моделирования течения воды в их поровом пространстве с применением специализированного программного пакета Avizo.

Результаты. Были проанализированы данные мини-объемов, отобранные из трещиноватого и нетрещиноватых образцов, и результаты показали, что имеются хорошие взаимосвязи между многими параметрами мини-объемов. Например, связанная и общая пористости имеют полиномиальную взаимосвязь второй степени с высоким коэффициентом корреляции. С помощью вышесказанных регрессионных методов машинного обучения были спрогнозированы значения абсолютной проницаемости при разделении входных данных на данные обучения и тестирования в соотношении 80/20 и 70/30.

Заключение. Использование логарифма проницаемости, а также раздельное рассмотрение трещиноватого и нетрещиноватых образцов позволили увеличить точность прогноза абсолютной проницаемости с применением вышеупомянутых методов машинного обучения до 90%. Метод чрезвычайно случайных деревьев является наиболее точным из трех рассмотренных методов машинного обучения для нашей задачи.