مروري بر كاربرد روش‌هاي يادگيري ماشين در تخمين آسيب سازند ناشي از فرايندهاي مختلف در توليد نفت و گاز

A review of the application of machine learning methods in the estimation of formation damage caused by different processes in oil and gas production

در چند دهه‌ گذشته، هوش مصنوعي و يادگيري ماشين به‌عنوان مسيري نوظهور در صنعت نفت و گاز توجه زيادي را به خود جلب كرده است. در اين صنعت، حجم نسبتاً زيادي از داده‌ها با استفاده از ابزارهاي مدرن و فناوري‌هاي پيشرفته توليد مي‌شود و سيستم‌هاي هوشمند تكنيك قابل‌اجرا با توانايي تجزيه‌وتحليل اين داده‌ها در كمترين زمان ممكن و باقدرت تصميم‌گيري بالا هستند. از سوي ديگر همواره ضمن انجام فرايندهاي مختلف در صنعت بالادستي توليد نفت و گاز، ايجاد آسيب به سازند ناحيه اطراف چاه و كاهش نفوذپذيري آن محتمل است. پيش‌بيني و تخمين آسيب سازند در فرايندهاي مختلف همچون حفاري چاه، تعمير و تكميل چاه، اسيدكاري، ازدياد برداشت و ... با روش‌هاي معمول فرايندي دشوار و هزينه بر است. در اين مقاله به مروري بر كاربرد روش‌هاي يادگيري ماشين در تخمين آسيب سازندي پرداخته شده است. پژوهش‌هاي انجام شده نشان داده است كه با به‌كارگيري روش‌هاي هوش مصنوعي و يادگيري ماشين مي‌توان از هزينه زياد آزمايش‌هاي تجربي جلوگيري نمود و در مواردي كه زمان لازم براي اجراي آزمايش‌هاي تجربي وجود ندارد مي‌توان با استفاده از اين تكنيك‌ها يك تخمين مناسب از آسيب سازند به دست آورد. با بهره‌گيري از اين مزيت‌ها مي‌توان قبل از وقوع آسيب سازند، از فرايندهايي كه سبب تشكيل آسيب سازند مي‌شوند جلوگيري كرد.

In the past few decades, artificial intelligence and machine learning have attracted a lot of attention as an emerging path in the oil and gas industry. In this industry, a relatively large amount of data is generated using modern tools and advanced technologies, and intelligent systems are applicable techniques with the ability to analyze these data in the shortest possible time and with high decision-making power. On the other hand, while performing various processes in the upstream oil and gas production industry, it is possible to cause damage to the formation of the area around the well and decrease the permeability. Prediction and estimation of formation damage in various processes such as well drilling, well repair and completion, acidizing, enhanced recovery, etc. is a difficult and expensive process with usual methods. In this article, a review of the application of machine learning methods in formation damage estimation has been discussed. Previous studies have shown that using machine learning methods can avoid the high costs of experimental tests and, in cases where there is no time for experimental tests, a suitable estimation of formation damage can be obtained using these techniques. By using these advantages, it is possible to avoid the processes that cause formation damage before formation damage occurs.