Das Micro- und Nanoskalen-Gas-Wasser-Dispergierungssystem (MNWDS) ist eine neue Technik zur Erhöhung der Rückgewinnungsrate, das durch die Injektion von Gas-Wasser-Dispergierungsphasen auf mikro- und nanoskaliger Ebene in der Lage ist, in kleinere Poren einzudringen und so das betroffene Volumen zu vergrößern, was die Rückgewinnungsrate wirksam erhöht. Derzeit wird diese Methode im Versuchsgebiet des Bergwerks in Zone 6 von Wuliwan durchgeführt. Zur Vorhersage der Ölfördermenge des Micro- und Nanoskalen-Gas-Wasser-Dispergierungssystems durch numerische Simulation müssen mehrere komplexe Parameter wie die Größe der Gasblasen, das Gas-Flüssigkeits-Verhältnis, die Eigenschaften der Fluide und komplexe Gas-Flüssigkeits-Wechselwirkungen berücksichtigt werden. Dieser Prozess ist komplex und zeitaufwändig, sodass die Ölfördermenge des Micro- und Nanoskalen-Gas-Wasser-Dispergierungssystems nicht schnell simuliert werden kann. Um die Ölfördermenge der Brunnen nach der Injektion des Micro- und Nanoskalen-Gas-Wasser-Dispergierungssystems genau vorherzusagen, verwendet diese Studie reale Produktionsdaten des Testgebiets und geologische Modellparameter und wendet den Algorithmus künstlicher neuronaler Netze (ANN) an, um ein Modell zur Vorhersage der Ölfördermenge des Micro- und Nanoskalen-Gas-Wasser-Dispergierungssystems zu erstellen. Dieses Modell verwendet die Ölfördermenge vor der Implementierung des Micro- und Nanoskalen-Gas-Wasser-Dispergierungssystems, das Wasser-Verhältnis, die Permeabilität, die injizierte Menge des Micro- und Nanoskalen-Gas-Wasser-Dispergierungssystems, das vom Wasser zurückgewonnene Volumen, die Porosität und die effektive Dicke als Eingabeparameter. Die Ölfördermenge in den 12 Monaten nach der Implementierung wird als Ausgabeparameter verwendet, um den Trainingsdatensatz des Modells zu erstellen. Durch eine K-Means-Clusteranalyse des Datensatzes wurden ungültige Proben eliminiert und schließlich ein Trainingsdatensatz von 59 Proben gebildet. Während des Modelltrainings wird ein Optimierungsalgorithmus implementiert, um die Modellparameter automatisch anzupassen und die Vorhersagegenauigkeit des Testdatensatzes des Modells signifikant zu verbessern. Basierend auf diesem Modell wurde eine Vorhersage der Ölfördermenge für 21 Brunnen-Gruppen durchgeführt, die das Micro- und Nanoskalen-Gas-Wasser-Dispergierungssystem implementieren werden. Die Übereinstimmungsrate zwischen den Vorhersageergebnissen und den numerischen Simulationsergebnissen betrug 95 %, was die Genauigkeit dieses Modells bestätigt. Dieses Modell bietet einen neuen Ansatz zur Vorhersage der Ölfördermenge des Micro- und Nanoskalen-Gas-Wasser-Dispergierungssystems.

Micro- und Nanoskalen-Gas-Wasser-Dispergierungssystem; Maschinelles Lernen; K-Means-Clusteranalyse; Künstliche neuronale Netze; Levenberg-Marquardt-Algorithmus