Journal of Petroleum & Environmental Biotechnology

Abstrait

Exploration de l'utilité de la régression du processus gaussien pour la prévision des taux de production de pétrole, d'eau et de gaz

Etinosa Osaro*, Vivian Okorie, Sonia Alornyo

Cette étude a évalué les performances des modèles de régression par processus gaussien (GPR) pour prédire les taux de production de pétrole, de gaz et d'eau dans l'industrie énergétique. Le GPR est une technique d'apprentissage automatique non paramétrique basée sur Bayes qui modélise l'incertitude des prévisions, fournissant non seulement une prévision mais aussi un intervalle de confiance pour la prévision. Cette étude a analysé l'impact de diverses caractéristiques d'entrée sur les taux de production, notamment la taille de l'étranglement, la pression de la tête de tube, la pression de la conduite d'écoulement, les sédiments et l'eau de base, l'interface de programmation d'application nette (API), la pression d'écoulement du puits et la pression statique. Le résultat de cette étude fournit des informations précieuses sur le potentiel du GPR pour améliorer les prévisions de production et la gestion des ressources dans l'industrie pétrolière et gazière. Les résultats mettent également en lumière l'adéquation de différents noyaux dans la modélisation des taux de production et l'importance de chaque caractéristique d'entrée dans la prévision et l'optimisation de la production. L'utilisation du GPR dans les prévisions de production a le potentiel d'augmenter l'efficacité, d'améliorer la productivité et de réduire les coûts dans l'industrie pétrolière et gazière.