تخمین دبی نفت تولیدی از چاه به‌وسیله روش‌های یادگیری ماشین با استفاده از داده‌های پمپ الکتریکی شناور (ESP)

تخمین دبی جریان در چاه‌های یک میدان نفتی، یک فرآیند حیاتی و کاربردی است. بااین‌حال جریان‌های استخراج‌شده از چاه‌های نفتی، چند فازی بوده و تخمین دقیق دبی آن‌ها، بسیار چالش‌برانگیز و پرهزینه است. دبی‌سنج‌های مجازی در مقایسه با دبی‌سنج‌های چند فازی و روش‌های چاه آزمایی، ازنظر اقتصادی گزینه بسیار مناسبی هستند که با بهره‌گیری از داده‌های موجود و استفاده از روش‌های هوش مصنوعی، قادر به پیش‌بینی دقیق دبی در آینده هستند؛ بنابراین، اخیراً به دبی‌سنج‌های مجازی داده محور توجه زیادی شده است. در این مقاله تخمین دبی تولیدی یک چاه با استفاده از سه روش یادگیری ماشین k همسایه نزدیک‌تر (k-NN)، تقویت گرادیان (GBR) و درخت تصمیم (DT) با استفاده از داده‌های پمپ انجام‌شده است. به‌منظور انتخاب ویژگی‌های مناسب به‌عنوان ورودی روش‌ها، از تحلیل‌های آماری پیرسون و اسپیرمن استفاده‌شده است. مجموعه داده موردبررسی مربوط به یکی از چاه‌های یک میدان نفتی در جنوب ایران است. مجموعه داده موجود دارای حجم کم و تنوع ناکافی است، اما بااین‌وجود نتایج نشان می‌دهند که روش‌های پیشنهادی عملکرد مناسبی دارند. روش k-NN با دقت 9494/0 نسبت به دو روش دیگر عملکرد بهتری در تخمین دبی نفت داشته است. برای بررسی عملکرد روش‌ها در برابر داده‌های دارای نوفه، یک درصد انحراف معیار نوفه به داده‌های ورودی اضافه شد. بررسی‌ها نشان داد که مدل k همسایه نزدیک‌تر با دقت 9257/0 در مقایسه با دو روش دیگر عملکرد بهتری داشته و کمترین تأثیر را از نوفه‌ها گرفته است.