تخمين قابليت هدايت شكاف توسط الگوريتم جنگل تصادفي

Fracture Conductivity Prediction Using Random Forest Algorithm

يكي از روش‌هاي پايه و اساسي براي انگيزش و افزايش نرخ بهره‌برداري از چاه در مخازن كربناته انجام فرايند لايه شكافي با اسيد است. ميزان سنگ حل‌شده، مقاومت سنگ و ميزان فشار بسته شدن شكاف‌ها تأثير بسزايي در قابليت هدايت شكاف حاصل از لايه شكافي با اسيد دارد. مدل‌هاي مختلفي جهت پيش‌بيني قابليت هدايت شكاف توسط محققان مختلف ارائه‌شده است. اين مدل‌ها بايد به‌دقت قابليت هدايت شكاف را براي مقادير مختلف فشار بسته شدن شكاف پيش‌بيني كنند. براي اين مدل‌ها دو بخش مهم وجود دارد: قابليت هدايت شكاف بدون درنظرگرفتن فشار بسته شدن و نرخ تغييرات قابليت هدايت شكاف با فشار بسته شدن. قابليت هدايت شكاف به‌طور قابل‌ملاحظه‌اي وابسته به نوع سنگ است. يكي از چالش‌هاي اين بخش پيش‌بيني رفتار سازندهاي مختلف در فشارهاي مختلف است. اين مقاله با استفاده از الگوريتم جنگل تصادفي، قابليت هدايت شكاف را با استفاده از داده‌هاي جمع‌آوري شده در سازندهاي مختلف با دقت بالايي تخمين مي زند.

One of the fundamental ways to stimulate and increase the production rate of a well in a carbonate reservoir is acid fracturing. rock dissolved, rock strength, and closure stress have an effect on conductivity that is the result of acid fracturing. The model should predict fracture conductivity accurately for different closure stresses. There are two parts to a model: fracture conductivity without considering closure stress and the rate of conductivity changes with closure stress. Fracture conductivity widely depends on the rock type. One of the challenges in recent studies is predicting the behavior of various formations on different closure stresses. this study aims to predict fracture conductivity accurately using a machine learning approach by incorporating experimental data from various formations.