Zeitschrift für Erdöl- und Umweltbiotechnologie

Abstrakt

Untersuchung der Nützlichkeit der Gaußschen Prozessregression zur Vorhersage von Öl-, Wasser- und Gasproduktionsraten

Etinosa Osaro*, Vivian Okorie, Sonia Alornyo

In dieser Studie wurde die Leistung von GPR-Modellen (Gaussian Process Regression) zur Vorhersage der Produktionsraten von Öl, Gas und Wasser in der Energiebranche bewertet. GPR ist eine nichtparametrische, auf Bayes basierende maschinelle Lerntechnik, die die Unsicherheit in den Vorhersagen modelliert und nicht nur eine Vorhersage, sondern auch ein Konfidenzintervall für die Vorhersage liefert. In dieser Studie wurde die Auswirkung verschiedener Eingabefunktionen auf die Produktionsraten analysiert, darunter Drosselgröße, Rohrkopfdruck, Fließleitungsdruck, Grundsediment und Wasser, Netto-Anwendungsprogrammierschnittstelle (API), Bohrlochfließdruck und statischer Druck. Die Ergebnisse dieser Studie liefern wertvolle Einblicke in das Potenzial von GPR zur Verbesserung der Produktionsprognose und des Ressourcenmanagements in der Öl- und Gasindustrie. Die Erkenntnisse werfen auch Licht auf die Eignung verschiedener Kernel zur Modellierung der Produktionsraten und die Bedeutung jeder Eingabefunktion bei der Produktionsprognose und -optimierung. Der Einsatz von GPR bei der Produktionsprognose hat das Potenzial, die Effizienz zu steigern, die Produktivität zu verbessern und die Kosten in der Öl- und Gasindustrie zu senken.