Қазақстанның мұнай-газ саласының хабаршысыҚазақстанның мұнай-газ саласының хабаршысы2707-42262957-806XKMG Engineering10864910.54859/kjogi108649Научная статьяИсследование эффективности алгоритмов машинного обучения на основе данных различных горных породАсилбековБакытжан Калжанович<p>PhD</p>assibekov.b@gmail.comhttps://orcid.org/0000-0002-0368-0131ҚалжановНұрлыхан Ерланұлыnurkal022@gmail.comhttps://orcid.org/0009-0008-5776-0971БолысбекДәрежат Абілсеитұлыbolysbek.darezhat@gmail.comhttps://orcid.org/0000-0001-8936-3921УзбекалиевКенбой Шералиуглиkzkenbai@gmail.comhttps://orcid.org/0009-0000-6917-4963БекбауБақберген Ермекбайұлы<p>PhD</p>bakbergen@gmail.comhttps://orcid.org/0000-0003-2410-1626КульджабековАлибек Бахиджанович<p>PhD</p>alibek.kuljabekov@gmail.comhttps://orcid.org/0000-0003-4384-6463Satbayev UniversityKBTU BIGSoftКазахский национальный университет имени аль-Фараби15112023535190305202321082023Copyright © 2023, Асилбеков Б.К., Қалжанов Н.Е., Болысбек Д.А., Узбекалиев К.Ш., Бекбау Б.Е., Кульджабеков А.Б.2023<p><strong>Обоснование.</strong> Абсолютная проницаемость играет важную роль в изучении течения жидкостей в пористых средах при разработке нефтегазовых месторождений, закачке СО₂ в пласты для хранения, мониторинге миграции загрязнителей в подземных водоносных слоях, а также моделировании каталитических систем. Следовательно, точная и оперативная оценка её значений является актуальной задачей.</p> <p><strong>Цель.</strong> Целью настоящей статьи является изучение применимости методов машинного обучения для прогнозирования абсолютной проницаемости карбонатных образцов, а также путей улучшения прогноза проницаемости.</p> <p><strong>Материалы и методы.</strong> В качестве входных используются данные 408 мини-объемов, отобранные из четырех цилиндрических карбонатных образцов, практически полностью состоящих из кальцита. Входные данные включают общую и связанную пористости, удельную площадь поверхности, радиусы всех пор, а также радиусы только соединенных между собой пор, координационные числа, радиусы и длины горловины пор, извилистость и абсолютную проницаемость. Оценка проницаемости осуществляется с помощью регрессионных методов машинного обучения, таких как метод случайного леса, чрезвычайно случайных деревьев и модифицированный метод повышения градиента. Параметры (данные) мини-объемов были определены при помощи поромасштабного моделирования течения воды в их поровом пространстве с применением специализированного программного пакета Avizo.</p> <p><strong>Результаты.</strong> Были проанализированы данные мини-объемов, отобранные из трещиноватого и нетрещиноватых образцов, и результаты показали, что имеются хорошие взаимосвязи между многими параметрами мини-объемов. Например, связанная и общая пористости имеют полиномиальную взаимосвязь второй степени с высоким коэффициентом корреляции. С помощью вышесказанных регрессионных методов машинного обучения были спрогнозированы значения абсолютной проницаемости при разделении входных данных на данные обучения и тестирования в соотношении 80/20 и 70/30.</p> <p><strong>Заключение.</strong> Использование логарифма проницаемости, а также раздельное рассмотрение трещиноватого и нетрещиноватых образцов позволили увеличить точность прогноза абсолютной проницаемости с применением вышеупомянутых методов машинного обучения до 90%. Метод чрезвычайно случайных деревьев является наиболее точным из трех рассмотренных методов машинного обучения для нашей задачи.</p>machine learningRandom Forest, XGBoostExtra Treesabsolute permeabilitycarbonate rocksX-Ray microcomputed tomographyМашиналық оқытуRandom ForestXGBoostExtra Trees, абсолютті өткізгіштіккарбонатты тау жынысырентгендік микрокомпьютерлік томографиямашинное обучениеRandom ForestXGBoostExtra Treesабсолютная проницаемостькарбонатная породарентгеновская микрокомпьютерная томография1.Carman PC. Fluid flow through granular beds. Chem Eng Res Des. 1997;75:S32–S48. doi:10.1016/S0263-8762(97)80003-2.2.Eichheimer P, Thielmann M, Fujita W, et al. Combined numerical and experimental study of microstructure and permeability in porous granular media. Solid Earth. 2020;11(3):1079–1095. doi:10.5194/se-11-1079-2020.3.Mostaghimi P, Blunt MJ, Bijeljic B. Computations of Absolute Permeability on Micro-CT Images. Math Geosci. 2013;45(1):103–125. doi:10.1007/s11004-012-9431-4.4.Luquot L, Rodriguez O, Gouze P. Experimental Characterization of Porosity Structure and Transport Property Changes in Limestone Undergoing Different Dissolution Regimes. Transp Porous Media. 2014;101(3):507–532. doi:10.1007/s11242-013-0257-4.5.Noiriel C, Gouze P, Bernard D. Investigation of porosity and permeability effects from microstructure changes during limestone dissolution. Geophys Res Lett. 2004;31(24):1–4. doi:10.1029/2004GL021572.6.Smith MM, Sholokhova Y, Hao Y, Carroll SA. CO2-induced dissolution of low permeability carbonates. Part I: Characterization and experiments. Adv Water Resour. 2013;62:370–387. doi:10.1016/j.advwatres.2013.09.008.7.Koponen A, Kataja M, Timonen J. Permeability and effective porosity of porous media. Phys Rev E. 1997;56(3):3319–3325. doi:10.1103/PhysRevE.56.3319.8.Mavko G, Nur A. The effect of a percolation threshold in the Kozeny-Carman relation. GEOPHYSICS. 1997;62(5):1480–1482. doi:10.1190/1.1444251.9.Bernabe Y, Brace WF, Evans B. Permeability, porosity and pore geometry of hot-pressed calcite. Mech Mater. 1982;1(3):173–183. doi:10.1016/0167-6636(82)90010-2.10.Nishiyama N, Yokoyama T. Permeability of porous media: Role of the critical pore size. J Geophys Res Solid Earth. 2017;122(9):6955–6971. doi:10.1002/2016JB013793.11.Elmorsy M, El-Dakhakhni W, Zhao B. Generalizable Permeability Prediction of Digital Porous Media via a Novel Multi-Scale 3D Convolutional Neural Network. Water Resour Res. 2022;58(3). doi:10.1029/2021WR031454.12.Tian J, Qi C, Sun Y, Yaseen ZM, Pham BT. Permeability prediction of porous media using a combination of computational fluid dynamics and hybrid machine learning methods. Eng Comput. 2021;37(4):3455–3471. doi:10.1007/s00366-020-01012-z.13.Mohammadian E, Kheirollahi M, Liu B, Ostadhassan M, Sabet M. A case study of petrophysical rock typing and permeability prediction using machine learning in a heterogenous carbonate reservoir in Iran. Sci Rep. 2022;12(1):4505. doi:10.1038/s41598-022-08575-5.14.Rezaee R, Ekundayo J. Permeability Prediction Using Machine Learning Methods for the CO2 Injectivity of the Precipice Sandstone in Surat Basin, Australia. Energies. 2022;15(6):2053. doi:10.3390/en15062053.15.Gholami R, Shahraki AR, Jamali Paghaleh M. Prediction of Hydrocarbon Reservoirs Permeability Using Support Vector Machine. Math Probl Eng. 2012;2012:1–18. doi:10.1155/2012/670723.16.Erofeev A, Orlov D, Ryzhov A, Koroteev D. Prediction of Porosity and Permeability Alteration Based on Machine Learning Algorithms. Transp Porous Media. 2019;128(2):677–700. doi:10.1007/s11242-019-01265-3.17.Tembely M, AlSumaiti AM, Alameri W. A deep learning perspective on predicting permeability in porous media from network modeling to direct simulation. Comput Geosci. 2020;24(4):1541–1556. doi:10.1007/s10596-020-09963-4.18.Akasheva Z, Bolysbek D, Assilbekov B. Study of carbonate rock dissolution using x-ray microcomputed tomography: impact of acid flow rate. News Natl Acad Sci Repub Kazakhstan Ser Geol Tech Sci. 2023;1(457):20–32. doi:10.32014/2023.2518-170Х.256.19.Shahani NM, Zheng X, Liu C, Hassan FU, Li P. Developing an XGBoost Regression Model for Predicting Young’s Modulus of Intact Sedimentary Rocks for the Stability of Surface and Subsurface Structures. Front Earth Sci. 2021;9. doi:10.3389/feart.2021.761990.20.Hameed MM, AlOmar MK, Khaleel F, Al-Ansari N. An Extra Tree Regression Model for Discharge Coefficient Prediction: Novel, Practical Applications in the Hydraulic Sector and Future Research Directions. Armaghani D, ed. Math Probl Eng. 2021;2021:1–19. doi:10.1155/2021/7001710.