Ученые Центра Хериот-Ватт Томского политехнического университета — партнера Консорциума робототехники и систем интеллектуального управления — применили методы машинного обучения для повышения точности прогнозирования процессов нефтедобычи и хранения углекислого газа (CO₂). В своем исследовании они продемонстрировали, как алгоритмы могут существенно упростить процесс прогнозирования и сделать его менее трудоемким по сравнению с традиционными методами.
Это особенно важно для методов закачки CO₂ в истощенные нефтяные пласты, которые используются как для увеличения объема добычи нефти, так и для снижения антропогенных выбросов в атмосферу.
Как отмечает руководитель исследования, инженер-исследователь Центра Хериот-Ватт ТПУ Шадфар Давуди, традиционные методы моделирования требуют много времени и ресурсов. Модели машинного обучения, в свою очередь, обеспечивают более глубокое понимание процессов, что позволяет повысить эффективность и оптимизировать работу.
Ученые протестировали четыре алгоритма машинного обучения и установили, что метод LSSVM (наименьших квадратов опорных векторов) демонстрирует наилучшие результаты. Прогнозирование с его помощью оказалось гораздо точнее, чем алгоритмы MLPNN (многослойная персептронная нейронная сеть), ELM (метод экстремального обучения) и RBFNN (радиально-базисная нейронная сеть).
В будущем ученые планируют валидацию модели на основе данных с реального месторождения и интеграцию различных оптимизационных алгоритмов для дальнейшего совершенствования процесса.
