Использование ML для настройки (History Matching) гидродинамических моделей
В статье рассматривается применение алгоритмов машинного обучения (Decision Tree и Random Forest) для оптимизации настройки гидродинамических моделей газоконденсатных пластов. Алгоритм Decision Tree показал 99% точность в определении зон, требующих локального измельчения сетки (LGR), что позволяет значительно сократить время расчетов.
Использование ML для настройки (History Matching) гидродинамических моделей
Применение алгоритмов классификации для улучшения качества гидродинамических моделей газоконденсатных пластов.
Задача:
Определить, в каких зонах модели необходимо применять локальное измельчение сетки (LGR — Local Grid Refinement) для корректного учета выпадения конденсата, не проводя тяжелые расчеты для всего поля.
Методы:
Использовались алгоритмы Decision Tree (Дерево решений) и Random Forest. Обучение проводилось на результатах сотен секторных моделей.
Результат:
Алгоритм Decision Tree показал 99% точность в предсказании необходимости LGR. Это позволяет инженерам экономить дни расчетного времени, применяя детализацию только там, где это действительно нужно, до запуска основной симуляции.
Источник
Теги
- #MachineLearning
- #ReservoirSimulation
- #GasCondensate
- #LGR