El sistema de dispersión de gas y agua a escala micro y nanométrica (MNWDS) es una nueva técnica para aumentar la tasa de recuperación, que inyecta fases de gas y agua a escala micro y nanométrica para poder penetrar en espacios porosos más pequeños y así aumentar el volumen afectado, mejorando de manera efectiva la tasa de recuperación. Actualmente, este método se ha implementado en el área de prueba de la mina de la Zona 6 de Wuliwan. Para predecir la producción de petróleo del sistema de dispersión de gas y agua a escala micro y nanométrica mediante simulación numérica, es necesario considerar múltiples parámetros complejos como el tamaño de las burbujas de gas, la relación gas-líquido, las propiedades de los fluidos, entre otros, así como las complejas interacciones entre las fases de gas y líquido. Este proceso es complejo y lleva mucho tiempo, por lo que no es posible simular rápidamente la producción de petróleo del sistema de dispersión de gas y agua a escala micro y nanométrica. Con el fin de predecir con precisión la producción de petróleo de los pozos después de la inyección del sistema de dispersión de gas y agua a escala micro y nanométrica, este estudio utiliza datos reales de producción del área de prueba y parámetros del modelo geológico, aplicando el algoritmo de redes neuronales artificiales (ANN) para establecer un modelo de predicción de la producción de petróleo del sistema de dispersión de gas y agua a escala micro y nanométrica. Este modelo utiliza la producción de petróleo antes de la implementación del sistema de dispersión de gas y agua a escala micro y nanométrica, la relación de agua, la permeabilidad, la cantidad inyectada del sistema de dispersión de gas y agua a escala micro y nanométrica, el volumen recuperado por agua, la porosidad y el espesor efectivo como parámetros de entrada. La producción de petróleo en los 12 meses después de la implementación se utiliza como parámetro de salida, estableciendo el conjunto de datos de entrenamiento del modelo. A través de un análisis de agrupamiento K-Means del conjunto de datos, se eliminaron las muestras no válidas, terminando con un conjunto de entrenamiento de 59 muestras. Durante el entrenamiento del modelo, se implementa un algoritmo de optimización para ajustar automáticamente los parámetros del modelo, mejorando significativamente la precisión de predicción del conjunto de pruebas del modelo. Basándose en este modelo, se realizó una predicción de la producción de petróleo para 21 grupos de pozos que implementarán el sistema de dispersión de gas y agua a escala micro y nanométrica. La tasa de concordancia entre los resultados de la predicción y los resultados de la simulación numérica fue del 95%, validando la precisión de este modelo. Este modelo proporciona un nuevo enfoque para predecir la producción de petróleo del sistema de dispersión de gas y agua a escala micro y nanométrica.

Sistema de dispersión de gas y agua a escala micro y nanométrica; Aprendizaje automático; Análisis de agrupamiento K-Means; Redes neuronales artificiales; Algoritmo Levenberg-Marquardt