كليدواژه :
داده‌هاي توليد , پيش‌بيني توليد نفت , هوش‌مصنوعي , الگوريتم جنگل تصادفي
چكيده فارسي :
صنعت نفت به پيش‌بيني‌هاي دقيق توليد براي بهينه‌سازي عمليات و اتخاذ تصميمات آگاهانه متكي است. در اين مقاله، تجزيه و تحليل دقيقي از پيش‌بيني توليد نفت با استفاده از تكنيك‌هاي يادگيري ماشين ارائه مي‌كنيم. با ايجاد يك مجموعه داده حاوي پارامترهاي مختلفي مانند زمان، توليد، تزريق آب، متوسط نسبت آب به هيدروكربن، ميانگين دماي سر چاه، اندازه چوك، ميانگين فشار پايين چاه و ميانگين دماي چاه در لوله را بررسي مي‌كنيم. با استفاده از قدرت الگوريتم رگرسيون جنگل تصادفي، ما يك مدل پيش‌بيني براي تخمين توليد نفت بر اساس اين پارامترها ايجاد مي‌كنيم كه با يك راهنماي گام به گام در مورد پيش‌پردازش داده‌ها، آموزش مدل، ارزيابي و تجسم ارائه مي‌دهيم. هدف تجزيه و تحليل جامع، تجهيز متخصصان صنعت به دانش و ابزارهايي براي بهبود دقت پيش‌بيني توليد نفت از طريق هوش مصنوعي است. براي ايجاد شبكه پيش‌بيني توليد نفت، مجموعه داده‌ها به دسته‌هاي آموزشي، اعتبارسنجي و آزمايشي تقسيم مي‌كنيم؛ اين ويژگي‌ها با استفاده از استانداردسازي مقياس‌بندي داده‌ها از كتابخانه‌ي مخصوص مقياس بندي مي‌شوند تا اطمينان حاصل شود كه همه ويژگي‌ها داراي مقياس يكسان هستند كه براي عملكرد الگوريتم جنگل تصادفي بسيار مهم است. اين مطالعه نشان مي‌دهد كه اين رويكرد مي‌تواند براي شركت‌هاي نفتي در برنامه‌ريزي و فرآيندهاي تصميم‌گيري مفيد باشد و يك روش مبتني بر داده براي پيش‌بيني سطح توليد ارائه دهد. در اين مطالعه توانستيم با تغيير درپارامترها و هايپرپارامترهاي مدل نتيجه مناسبي براي پيش‌بيني توليد نفت بدست آوريم.
چكيده لاتين :
The oil industry relies on accurate production forecasts to optimize operations and make informed decisions. In this paper, we present a detailed analysis of oil production forecasting using machine learning techniques. By creating a data set containing various parameters such as time, production, water injection, average water-to-hydrocarbon ratio, average wellhead temperature, choke size, average bottom well pressure and average wellbore temperature in the pipe, we check. Using the power of the random forest regression algorithm, we develop a predictive model for estimating oil production based on these parameters, with a step-by-step guide on data preprocessing, model training, evaluation, and visualization. The objective of the comprehensive analysis is to equip industry professionals with the knowledge and tools to improve the accuracy of oil production forecasting through artificial intelligence. To create the oil production prediction network, we divide the dataset into training, validation and testing categories; These features are scaled using data scaling standardization from a custom library to ensure that all features have the same scale, which is critical to the performance of the random forest algorithm. This study shows that this approach can be useful for oil companies in planning and decision-making processes and provides a data-based method for forecasting production levels. In this study, we were able to obtain a suitable result for predicting oil production by changing the parameters and hyperparameters of the model.
