Les systèmes de dispersion microniques et nanométriques de gaz et d'eau (MNWDS) sont une nouvelle technique d'amélioration du taux de récupération, en injectant une dispersion de gaz et d'eau à l'échelle micronique et nanométrique, cela permet de pénétrer des espaces poreux plus petits, élargissant ainsi le volume couvert et augmentant efficacement le taux de récupération. Actuellement, cette méthode a été mise en œuvre dans la zone d'essai minière de la baie de Wulibayuan, section 6. Pour prédire la production de pétrole de systèmes de dispersion microniques et nanométriques de gaz et d'eau (MNWDS) à l'aide de simulations numériques, il est nécessaire de prendre en compte de multiples paramètres et des interactions gaz-liquide complexes, ce processus est complexe, prend beaucoup de temps et ne peut pas prédire rapidement la production de pétrole des systèmes de dispersion microniques et nanométriques de gaz et d'eau. Afin de prédire précisément les réserves de pétrole après l'introduction de systèmes de dispersion microniques et nanométriques de gaz et d'eau, la présente étude, basée sur les données de production réelles de la zone d'essai et les paramètres géologiques du modèle, utilise un algorithme de réseau neuronal artificiel (ANN) pour établir un modèle de prédiction des réserves de pétrole après l'introduction de systèmes de dispersion microniques et nanométriques de gaz et d'eau. Ce modèle utilise les données de production avant l'introduction de systèmes de dispersion de gaz et d'eau à l'échelle micronique et nanométrique, le taux d'humidité, la perméabilité, le volume du système de dispersion de gaz et d'eau introduit, les réserves d'eau entraînées, la porosité, l'épaisseur efficace comme paramètres d'entrée. Avec les données de production 12 mois après l'introduction comme paramètres de sortie, un ensemble de formation de modèles a été établi en appliquant l'analyse de regroupement K-Means; ceci a permis d'éliminer les échantillons non valides et de former finalement un ensemble de formation de 59 échantillons. Pendant la formation du modèle, un algorithme d'optimisation a été appliqué pour ajuster automatiquement les paramètres du modèle, augmentant considérablement la précision de prédiction du modèle. Sur la base de ce modèle, une prédiction des réserves a été effectuée pour 21 groupes de puits qui s'apprêtent à introduire des systèmes de dispersion de gaz et d'eau à l'échelle micronique et nanométrique ; la comparaison des prévisions du modèle et des simulations numériques a montré une concordance de 95 %, confirmant la précision du modèle. Ce modèle offre une nouvelle méthode de prédiction des réserves de pétrole pour les systèmes de dispersion microniques et nanométriques de gaz et d'eau.

Systèmes de dispersion microniques et nanométriques de gaz et d'eau; apprentissage automatique; analyse de regroupement K-Means; réseaux de neurones artificiels; algorithme de Levenberg-Marquardt