教師あり深層学習 | 甘粛省ソーレロッソ株式会社

Scientific Reports volume 13、記事番号: 4892 (2023) この記事を引用

695 アクセス

5 引用

2 オルトメトリック

メトリクスの詳細

原油価格の高騰と石油埋蔵量の限界に対する懸念により、石油増進回収 (EOR) への関心が高まっています。経済コストを最適化するためには、最も効率的な開発計画を選択することが非常に重要です。したがって、この研究の主な目的は、貯留層の岩石と流体の特性 (深さ、空隙率、透水性、重力、粘度)、および温度に基づいて最適な EOR 手法を選択するための新しい深層学習分類器を構築することです。当社の深層学習ベースの分類器は、1 次元 (1D) 畳み込みニューラルネットワーク、長短期記憶 (LSTM)、および高密度に接続されたニューラルネットワーク層で構成されています。このハイブリッド分類器のハイパーパラメーターを調整するために、遺伝的アルゴリズムが適用されています。提案された分類器は、17 か国以上の砂岩、未固結砂岩、炭酸塩、および礫岩の貯留層に関する 735 の EOR プロジェクトを使用して開発およびテストされました。数値的調査とグラフ的調査の両方で、構造調整ディープラーニング分類器が EOR シナリオをスクリーニングして最適なシナリオを選択するための信頼できるツールであることが認められています。設計されたモデルは、トレーニング、検証、テストの例をそれぞれ 96.82%、84.31%、82.61% の精度で正確に分類します。これは、利用可能な 735 個の EOR プロジェクトのうち、提案された深層学習分類器によって誤って識別されたのは 30 個だけであることを意味します。このモデルは、関連する強化された石油回収技術の分類に関して、0.1548 という小さなカテゴリカルクロスエントロピーも示しています。このような強力な分類器は、限られたフィールド情報で特定の油層に最適な EOR 候補を選択するために必要です。

石油増進回収 (EOR) は、回収係数を最適化し、石油およびガスプロジェクトからの利益を増加させるのに役立ちます1、2、3。石油価格の上昇により、将来のエネルギー資源に対する懸念が生じ、世界中で石油回収の強化に対する関心が高まっています4,5。 EOR プロジェクトは多くの場合、従来の二次プロジェクトに比べて高価であり、初期コストが高くなります6。不適切な回収プロジェクトは、貯水池に永久的な損傷を与え、経済的損失を増大させる可能性があります。これらの分析は実験室試験で構成され、貯留層の特性評価とシミュレーション、設計、パイロット試験の実施を経て、最終的な設計と完全な現場プロジェクトの実施に至ります。さらに、上記のすべてのフェーズには、事前のコスト効率の高いスクリーニングフェーズによって適切にサポートされない場合、リスクが伴う可能性のある投資が含まれます。したがって、意思決定アプローチの重要な要素は、何よりもまず、対象となる貯留層の EOR の可能性を評価することです。これは EOR スクリーニングの実践によって達成される重要な目標であり、控えめな資本投資でリスクを軽減するために使用される最初の指標を提供することを目的としています。

したがって、枯渇しつつある貯留層を開発するには、信頼性が高く正確な強化された石油回収スクリーニング方法が望ましい。文献レビューによると、EOR スクリーニングには一般に 2 つの技術があります: (1) 従来の EOR スクリーニング (CEORS) と (2) 高度な EOR スクリーニング (AEORS)7、8、9。 CEORS 手法は、各 EOR 手法の実装が成功する可能性を示すために、いくつかの事前定義されたスクリーニングパラメーターを考慮します。これらのパラメータは通常、EOR 手法を成功させるために、貯留層の流体と岩石の特性 (油の飽和度、API の重力、層の厚さ、地層の種類、浸透性、粘度、塩分、温度、深さなど) をカバーします 10,11。これらの基準案は、1997 年以前に実施され成功した EOR プロジェクトを分析することによって達成されました10。さらに、利用可能な予備費や実施コストなどの他の要因も、基準案に明白な影響を与えます。これらのパラメーターは長年にわたり EOR スクリーニングで広く使用されてきましたが、研究者はそれらの改良や更新をほとんど試みませんでした。 Al-Adasani と Bai12 は、1998 年以降に実施された EOR プロジェクトをレビューし、Taber et al.10 が提案した原理を改良しました。マシャエクヒザデら。いくつかの主要なスクリーニング基準を統合し、各 EOR 技術に対する一連のリアリズム基準を作成しました 13。張ら。は、統計パラメータに基づいて多くの石油増進回収プロジェクトを分析することにより、グラフによるスクリーニング指標を提案しました14。ジェンセンら。 Ekofisk 分野の CEORS を検討した結果、水交互ガス注入 (WAG) および空気注入シナリオが最も適切な EOR 方法であることが示されました 15。 Alvarado と Manrique は、従来の方法の顕著な限界は、同様の分野で実行される EOR 戦略に関する追加の詳細がなく、「ゴー/ノーゴー」応答のみを提供することであると強調しました。一方で、コンピューターサイエンスの進歩により、別のアプローチの良い機会が生まれました。過去 10 年間、コンピュータ支援技術により EOR スクリーニング手法がアップグレードされました。このアプローチでは、貯留層の岩石と流体の特性、そして EOR 法の導入の成功が重要な役割を果たします。このアプローチは AEORS として緩やかに拡張されました。他の研究分野と同様に 17、機械学習手法も EOR スクリーニングの処理に適用されます 18,19。人工ニューラルネットワーク (ANN)18、19、エキスパートシステム 20、21、ファジー推論 22、ベイジアンネットワーク 23、24 などの人工知能戦略は、すでに EOR 分類タスクに取り組んでいます。 AEORS の最初の研究は Alvarado らによって行われました 25。彼らは世界中の 290 の EOR プロジェクトを検討し、次元削減とクラスタリング手法を適用して、適切な EOR 手法を選択するためのエキスパートマップを作成しました25。 Leeらによって行われた研究。候補貯留層に最適な EOR シナリオを特定するために、成功した 230 の強化石油回収シナリオを使用した ANN モデルのトレーニングが含まれています26。さらに、Zerafat ら。 Taberらによって提案された基準を統合しました。 1098 の EOR シナリオを使用し、適切な EOR 手法を予測するためのベイジアン信念ネットワークを開発しました24。 Parada と Ertekin は、商用貯留層シミュレーターを使用して、ANN トレインの実現に必要なデータを収集しました 27。彼らは、EOR スクリーニングと強化された石油回収シナリオのパフォーマンスを予測するための新しいアプローチを提案しました27。この分野でも同様の研究がいくつか行われ、EOR スクリーニングのためのインテリジェントなツールを見つけるために多くの機械学習技術がチェックされました。カザリら。最近、世界中で成功した 548 件の EOR プロジェクトを使用してファジー決定ツリーアルゴリズムをトレーニングし、スクリーニングルールを示しました 28。バブシキナら。貯留層の岩石と流体の特性の 6 次元空間に K-Means クラスタリング法を適用することにより、類似性を定義および調査します29。ターゲットフィールドの EOR の可能性は、同じクラスターに属するプロジェクトの (最終的には異なる) EOR 手法に関連付けられた回復係数を補間することによって推定されます29。また、Trujillo ら 30 は、従来のアプローチと先進的なアプローチを組み合わせて、類似性スコアに従って利用可能なデータベースをランク付けしました 10,11。このアプローチにより、コロンビアの油田に応用できる可能性が高い EOR 技術を特定することが可能になりました。

したがって、不確実性を軽減し、EOR スクリーニングプロセスの失敗のリスクを最小限に抑えるために、慎重かつ詳細な予備調査を実行する必要があります。

新しいクラスのインテリジェント技術、すなわち深層学習フレームワーク 31、深層強化学習 32,33、深層信念ネットワーク 34、デュアルグラフアテンション畳み込みネットワーク 35 が、複雑な問題の動作を監視 (モデル化、制御、さらには分類) するために最近提案されています。したがって、この研究で取り組む主な問題には、新しい深層学習ベースの分類器を使用して、ターゲット貯留層に最適な EOR 手法を選択することが含まれます。この新しい分類器は、LSTM (長短期記憶)、1D CNN (1 次元畳み込みニューラルネットワーク)、および高密度接続ニューラルネットワーク (DNN) 層で構成されています。さらに、遺伝的アルゴリズム (GA)36 を使用して、分類器のハイパーパラメーターを系統的に調整しています。提案された分類子は、潜在的な EOR シナリオをランク付けし、最適なシナリオを提案するために、最小限の情報 (つまり、深さ、空隙率、浸透性、油の重力、粘度、温度) を必要とします。このような強力なツールは、フィールド試験に関連するコストを削減し、より確実に EOR 法の選択を支援します。

17 か国以上の炭酸塩、砂岩、未固結砂岩、および礫岩の貯留層に適用された 735 件の実際の EOR プロジェクトからのデータが文献から収集され、深層学習ベースの分類器の開発に使用されています。この情報には、独立変数として、空隙率 (%)、深さ (ft)、油の重力 (API)、透過率 (MD)、粘度 (cP)、および温度 (°F) が含まれます。さらに、適用される EOR シナリオには、水フラッディング (クラス 0)、CO2 フラッディング (クラス 1)、炭化水素フラッディング (クラス 2)、水代替ガス (クラス 3)、ポリマーフラッディング (クラス 4)、界面活性剤フラッディング (クラス 5) が含まれます。、蒸気フラッディングや現場燃焼 (クラス 6) などの熱回収は、特定する必要があるターゲットです。

図 1 は、収集された実際のフィールド EOR プロジェクトで利用可能な貯留層岩相の分布を示しています。この図は、利用可能なデータベース内の EOR 操作の最大数と最小数を示す炭酸塩および複合体の貯留層を示しています。さらに、図 2 では、EOR プロジェクトが実行される場所に基づいて区別されています。収集されたデータバンクには、世界 17 か国以上の EOR 情報が含まれていることがわかります。

貯留層岩相に基づく EOR 法の分布。

国ごとの利用可能なデータ分布の合計。

データの前処理中に、入力フィーチャをスケーリングするために Z スコア正規化 (式 (1)) が適用されています 37。

ここで、AV と NV は変数の実際の値と正規化された値を表します。さらに、μ と σ は変数の平均と標準偏差を表します。

さまざまな EOR メソッドを表す数値ラベル (0 ～ 6) は、現在の研究ではバイナリ行列に変換されています。

前に説明したように、この研究は、1D CNN、LSTM、および DNN で構成される線形に積み重ねられたハイブリッド 3 層深層構造ネットワークを適用して、貯留層の岩石と流体の特性と温度に基づいて EOR 手法をスクリーニングすることを目的としています。

図 3 は、この研究で使用されたハイブリッド分類器の一般的な構造を示しています。正規化された独立変数の数値 (v × 1 ベクトル) は、特徴学習のために 1D CNN に入力されます38。 CNN には、サイズ R1 × 1 の k 個のフィルターがあり、入力行列と畳み込まれて k 個の特徴マップが生成されます。整流線形単位 (ReLU) でアクティブ化された CNN は、形状 v × k の出力を与えます。 p 個のユニットと双曲線正接 (Tanh) 活性化関数 39 を備えた LSTM 層は、関連情報を転送するためのフィードバック接続を提供します。最後に、LSTM 出力は D ニューロンとソフトマックス活性化関数を含む DNN 層に配信され、最終的な分類結果が提供されます。

ハイブリッド三層深層分類器の構造。

利用可能なデータセット (735 サンプル) は、重複しない 3 つのグループ、つまりトレーニング (90%、661 サンプル)、検証 (7%、51 サンプル)、およびテスト (3%、23 サンプル) に分割されています。最初のグループには、分類器の調整可能なパラメーターを調整し、学習段階を完了するのに役立つサンプルが含まれています。一方、検証グループは、トレーニングステップ中にモデルのパフォーマンスを評価するために使用されます。最後のグループは、いくつかの未確認サンプルに対するトレーニング済みモデルの分類パフォーマンスを評価し、その汎化能力を監視するために適用されています。

独立変数と EOR クラスの数は調査された問題によって決まるため、CNN 層と LSTM 層のユニットの数を調整するだけで済みます。問題空間 40 から事前に定義された目的関数の最適または最適に近い解を提供する GA は、この作業でこれら 2 つのハイパーパラメーターを調整するために利用されました。母集団はランダムサンプリングを使用して初期化され、GA はトーナメント選択、1 点交叉、および突然変異演算子を使用して 500 世代にわたって進化しました。 GA は、カテゴリカルクロスエントロピー (CCE) 関数を最小化して、CNN 層のフィルター数 (Conv1D ユニット) や LSTM 層のユニット数 (LSTM ユニット) を含む最適なハイパーパラメーターの値を取得します。表 1 は、GA の最適化中に使用される検索スペースの境界を示しています。

図 4 は、CNN 層のフィルター数と LSTM 層のユニットの数が事前に定義された範囲で変更された場合の、GA 生成による CCE の変化を示しています。この図は、最小 CCE 0.1050 が 143 世代で達成されていることを示しています。この最小 CCE は、Conv1D ユニットと LSTM ユニットにそれぞれ 349 と 60 として関連付けられます。

GA世代によるCCEのバリエーション。

表 2 は、GA による構造調整深層学習分類器の主な特性をまとめたものです。

以前の分析では、3 層のハイブリッド逐次モデル (つまり、349 ユニットの CNN と 60 ユニットの LSTM) が、検討中の油層に対して最も効率的な EOR シナリオを選択するための最良の分類子であることがわかりました。この分類子は、EOR クラスをランク付けするために 6 つの独立した特徴の正規化された行列を受け取るだけで済みます。

CCE および精度インデックスは、分類器のパフォーマンスを評価するために適用されています。これらの指数の数式を式 1、2、3 に示します。 (2)および(3)41．

ここで、N はデータサンプルの数です。 \(n_{k}\) と \(\overline{n}_{k}\) は、k 番目の実際の値と推定値を表します。

表 3 は、CCE の数値と、トレーニング、検証、テストの各段階で設計された深層学習ベースの分類器の精度をまとめたものです。また、深層学習分類器は、全体の精度 95.92 および CCE = 0.1548 で、735 フィールドの例の正しい EOR シナリオを識別したことにも注目してください。

混同行列 42 は、分類器の信頼性を簡単に評価するための確立されたグラフィック手法です。この手法により、関係する各クラスの正しい識別数と誤った識別数が明らかになります。実際、対角線のセルにあるレコードは、関連するクラスの正しい識別の数を示しています。さらに、混同行列内の他のレコードは誤った識別です。

トレーニング、検証、テストの各段階に関連する混同行列を図 1 と 2 に示します。それぞれ5、6、7。図 5 は、提案された深層学習モデルがトレーニング段階で 661 の EOR シナリオのうち 640 を正しく識別していることを明らかにしています。さらに、設計された分類子は、検証グループとテストグループの両方を正確に識別する際に優れたパフォーマンスを示します。実際、51 個の検証サンプルのうち 43 個と、未確認のテスト例 23 個のうち 19 個を正確に区別します。

トレーニングデータの分類に関連する設計モデルの混同行列。

検証データの分類に関連する設計モデルの混同行列。

テストデータの分類に関連する設計モデルの混同行列。

この研究は、深さ、空隙率、浸透率、重力、粘度、温度などの油層特性に基づいて最適な EOR シナリオを選択するための深層学習ベースの構造を採用することを目的としています。文献から収集された 735 件の実際の EOR プロジェクトに関する情報は、検討中の分類器を設計し、その精度を監視するために使用されています。利用されたデータバンクには、17 か国以上の炭酸塩、砂岩、未固結砂岩、および複合体の貯留層に適用された EOR シナリオが含まれています。深層学習ベースの分類器のハイパーパラメーターは GA によって調整されています。分類器の 1D CNN 層と LSTM 層にはそれぞれ 349 ユニットと 60 ユニットが必要であることがわかりました。構造調整された深層学習分類器は、95.92 という優れた精度と 0.1548 という小さな CCE で、735 のフィールド例の正しい EOR シナリオを識別しました。このような信頼性の高いツールを使用すると、試行錯誤手順に基づいて複数の EOR プロジェクトをチェックすることに関連するコストを簡単に削減できます。

文献から収集されたこの研究のすべての分析データは、責任著者 (B. Vaferi 博士) からの合理的な要求に応じて入手できます。

Wang, X. et al. 新規油置換剤としてのファジーボール流体による油回収率向上のメカニズム。 Energy Rep. 9、1447–1463 (2023)。

記事 Google Scholar

Vo Thanh、H.、Sugai, Y.、Sasaki, K. CO2 強化石油回収と残留油地帯での貯蔵のパフォーマンスを予測するための人工ニューラルネットワークのアプリケーション。科学。議員 10、1–16 (2020)。

記事 Google Scholar

Cui、K.ら。低浸透性の貯水池での水のカットを最適化することで固有の微生物を刺激し、環境に配慮し、油の回収を促進します。科学。議員9、1-12（2019）。

記事 Google Scholar

Sun, H.、Wang, H. & Lun, Z. 核磁気共鳴を使用した CO2 EOR 中の非在来型資源の石油流動化に対する浸透性と破壊の影響。科学。議員第 11 号、1–6 (2021)。

ADS Google Scholar

Qu、M.ら。石油回収率を高めるための両親媒性二硫化モリブデンナノシートの実験室研究と現場応用。 J.ペット。科学。工学 208、109695 (2022)。

記事 CAS Google Scholar

Mahdaviara, M.、Sharifi, M. & Ahmadi, M. 統計的および機械学習技術を使用した低浸透性貯留層の石油回収強化シナリオの評価とスクリーニングに向けて。燃料 325、124795 (2022)。

記事 CAS Google Scholar

Shen, B.、Yang, S.、Chen, H.、Li, S.、Gao, X. ハイブリッド特徴マイニングを使用した Bo-lightgbm アルゴリズムに基づく新しい Co2-Eor ポテンシャル評価方法。地質エネルギー科学工学 https://doi.org/10.2139/ssrn.4170657 (2023)。

記事 Google Scholar

Syed, FI、Muther, T.、Dahaghi, AK & Neghabhan, S. 機構的制約付きプロキシモデリングによる、型破りな貯留層における CO2 EOR の性能評価。燃料 310、122390 (2022)。

記事 CAS Google Scholar

Cho, J.、Min, B.、Jeong, MS、Lee, YW & Lee, KS アスファルテン堆積を伴う CO2-LPG WAG のモデリングにより、結合した石油回収と貯蔵性能の向上を予測します。科学。議員第 11 号、1–14 (2021)。

Google スカラー

Taber, JJ、Martin, FD & Seright, RS EOR スクリーニング基準の再検討—パート 1: スクリーニング基準と強化された復興現場プロジェクトの紹介。 SPE リザーブ工学 12、189–198 (1997)。

記事 CAS Google Scholar

Taber, JJ、Martin, FD & Seright, RS EOR 審査基準の再考 - パート 2: 石油価格の適用と影響。 SPE リザーブ工学 12、199–206 (1997)。

記事 CAS Google Scholar

Al Adasani, A. & Bai, B. EOR プロジェクトの分析と最新のスクリーニング基準。 J.ペット。科学。工学 79、10–24 (2011)。

記事 CAS Google Scholar

Mashayekhizadeh, V.、Kord, S. & Dejam, M. イラン国内における EOR の可能性。仕様上。 Rev. Porous Media 5、325–354 (2014)。

記事 Google Scholar

Zhang、N.ら。従来のスクリーニングガイドラインとランダムフォレストアルゴリズムを組み合わせたEORスクリーニング用ハイブリッドスコアリングシステムの開発。燃料 256、115915 (2019)。

記事 CAS Google Scholar

Jensen, TB、Harpole, KJ & Østhus, A. Ekofisk の EOR スクリーニング。 SPE 欧州石油会議 (Jensen、TB 他編) (OnePetro、2000)。

Google スカラー

Alvarado, V. & Manrique, E. Enhanced Oil Recovery: Field Planning and Development Strategies (Gulf Professional Publishing、2010)。

Google Scholar を予約する

Amini, Y.、Fattahi, M.、Khorasheh, F. & Sahebdelfar, S. プロパン脱水素反応における Pt-Sn/γ-Al 2 O 3 触媒の性能に対する含酸素添加剤の影響をモデル化したニューラルネットワーク。応用石油化学。解像度 3、47–54 (2013)。

記事 CAS Google Scholar

Surguchev, L. & Li, L. 人工ニューラルネットワークを使用した IOR の評価と適用性スクリーニング。 SPE/DOE 改良石油回収シンポジウム (Surguchev, L. および Li, L. 編) (OnePetro、2000)。

Google スカラー

Kamari, A.、Nikookar, M.、Sahranavard, L. & Mohammadi, AH 強化された石油回収方法の効率的なスクリーニングと予測経済分析。ニューラルコンピューティング。応用 25、815–824 (2014)。

記事 Google Scholar

Gharbi、RBC EOR プロセスを選択および設計するためのエキスパートシステム。 J.ペット。科学。工学 27、33–47 (2000)。

記事 CAS Google Scholar

Abass, E. & Song, CL EOR スクリーニング基準の新しいパラメーターを編集する機能を備えた人工知能の選択。 J.Eng. 科学。テクノロジー。 6、628–638 (2011)。

Google スカラー

Anikin, I. 強化された石油回収方法のための知識表現モデルと意思決定支援システム。インテリジェントシステム、データマイニング、情報技術に関する国際会議議事録 (ICIDIT '2014) 101–105 (2014)。

Moreno, JE、Gurpinar, OM、Liu, Y.、Al-Kinani, A. & Cakir, N. EOR アドバイザーシステム: EOR 選択への包括的なアプローチ。国際石油技術会議 (Moreno、JE 他編) (OnePetro、2014)。

Google スカラー

Zerafat, MM、Ayatollahi, S.、Mehranbod, N.、Barzegari, D. 効率的な EOR スクリーニングのためのツールとしてのベイジアンネットワーク分析。 SPE Enhanced Oil Recovery Conference (Zerafat、MM 他編) (OnePetro、2011)。

Google スカラー

アルバラド、V. et al. 機械学習に基づいた EOR/IOR 機会の選択。欧州石油会議 (Alvarado, V. 編) (OnePetro、2002)。

Google スカラー

Lee, J.-Y.、Shin, H.-J. & リム、J.-S. 人工ニューラルネットワークを用いた高度石油回収法の選定と評価ジオシスト。工学 14、157–164 (2011)。

記事 Google Scholar

Parada, CH & Ertekin, T. 人工ニューラルネットワークを使用した改良された石油回収方法のための新しいスクリーニングツール。 SPE 西部地域会議 (パラダ、CH およびアーテキン、T 編) (OnePetro、2012)。

Google スカラー

Khazali, N.、Sharifi, M.、Ahmadi, MA EOR スクリーニング評価におけるファジー決定木の適用。 J.ペット。科学。工学 177、167–180 (2019)。

記事 CAS Google Scholar

クルレンコ、AA 他。貯留層パラメーターに基づいて IOR/EOR の可能性を予測します。 IOR 2013 – 石油回収改善に関する第 17 回欧州シンポジウム (AA クルレンコ編) cp-342 (欧州地球科学者・技術者協会、2013)。

Google スカラー

Trujillo, M. et al. 油の回収率を高める方法のスクリーニング評価のための選択方法。 SPE Latin American and Caribbean Petroleum Engineering Conference (Trujillo, M. 編) (OnePetro、2010)。

Google スカラー

Zhan, C.、Dai, Z.、Soltanian、MR、de Barros、FPJ 確率的深層学習フレームワークを使用した不均一な地下構造の同定のためのデータ価値分析。水資源。解像度 58、e2022WR033241 (2022)。

記事 ADS Google Scholar

Zhao, Y.、Wang, H.、Xu, N.、Zong, G.、Zhao, X. 制約付き相互接続非線形システム向けの強化学習ベースの分散型フォールトトレラント制御。カオス、ソリトンフラクタル 167、113034 (2023)。

記事 MathSciNet Google Scholar

Zhang, K. et al. リアルタイムのライフサイクル生産最適化のために効果的な深層強化学習エージェントをトレーニングします。 J.ペット。科学。工学 208、109766 (2022)。

記事 CAS Google Scholar

Li, R.、Wu, X.、Tian, H.、Yu, N. & Wang, C. 過渡電磁反転のためのハイブリッドミーム事前訓練因子分析ベースの深い信念ネットワーク。 IEEEトランス。地理学。リモートセンズ 60、1–20 (2022)。

Google スカラー

Huang、CQら。 3 次元点群分類のためのデュアルグラフアテンション畳み込みネットワーク。 IEEEトランス。ニューラルネットワーク。学ぶ。システム。 https://doi.org/10.1109/TNNLS.2022.3162301 (2022)。

論文 PubMed Google Scholar

Amini, Y.、Gerdroodbary, MB、Pishvaie, MR、Moradi, R. & Monfared, SM 遺伝的アルゴリズムを使用したバッチ冷却晶析装置の最適制御。ケーススタッド。サーム。工学 8、300–310 (2016)。

記事 Google Scholar

Jayalakshmi, T. & Santhakumaran, A. 分類のための統計的正規化と逆伝播。内部。Ｊ．Ｃｏｍｐｕｔ．理論工学 3、1793–8201 (2011)。

Google スカラー

キランヤズ、S. et al. 1D 畳み込みニューラルネットワークとアプリケーション: 調査。メカ。システム。信号プロセス。 151、107398 (2021)。

記事 Google Scholar

Kumar Pandey, R.、Aggarwal, S.、Nath, G.、Kumar, A. & Vaferi, B. メタヒューリスティックアルゴリズムは、石油貯留層の井戸試験分析用のニューラルネットワークを統合しました。科学。議員第 12 号、1–16 (2022)。

記事 ADS Google Scholar

Heydari, A.、Alborzi, ZS、Amini, Y. & Hassanvand, A. バイオガス発電機、太陽光発電パネル、風力タービンを含む再生可能ハイブリッドシステムの構成の最適化: 粒子群の最適化と遺伝的アルゴリズム。内部。Ｊ．Ｍｏｄ．物理学。 C https://doi.org/10.1142/S0129183123500699 (2022)。

記事 Google Scholar

Pandey, RK、Kumar, A.、Mandal, A. 圧力過渡試験データを使用した、石油貯留層の特性評価のための堅牢な深層構造予測モデル。ガソリン。解像度 7、204–219 (2022)。

記事 Google Scholar

Wu、MT 教室における混乱マトリクスと最小クロスエントロピーメトリクスに基づく動作認識システム。科学。議員第 12 号、1–10 (2022)。

Google スカラー

リファレンスをダウンロードする

インド、デラドゥンの DIT 大学工学技術学部石油エネルギー学科

ラケシュ・クマール・パンディ

イスラム・アザド大学シラーズ分校化学工学部、シラーズ、イラン

アスガー・ガンダムカル & ベフザド・ヴァフェリ

イスラム・アザド大学シラーズ分校化学・石油・高分子工学研究センター高度計算部門（イラン、シーラーズ）

ベフザド・ヴァフェリ

トゥーラ研究所所長、デラドゥン、248001、インド

アニル・クマール

レジーナ大学工学応用科学部、レジーナ、SK、S4S 0A2、カナダ

ファルシッド・トラビ

PubMed Google Scholar でこの著者を検索することもできます

RKP モデルの開発、書き込み、編集 AG と FT データの収集、書き込み、編集 BV と AK の書き込み、編集

ベフザド・ヴァフェリへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Kumar Pandey、R.、Gandomkar、A.、Vaferi、B. 他強化された石油回収シナリオをスクリーニングするための教師付き深層学習ベースのパラダイム。 Sci Rep 13、4892 (2023)。 https://doi.org/10.1038/s41598-023-32187-2

引用をダウンロード

受信日: 2023 年 1 月 12 日

受理日: 2023 年 3 月 23 日

公開日: 2023 年 3 月 25 日

DOI: https://doi.org/10.1038/s41598-023-32187-2

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。