تخمین دبی نفت تولیدی از چاه به وسیله روش های یادگیری ماشین با استفاده از داده های پمپ الکتریکی شناور (ESP)

تخمین دبی جریان در چاه های یک میدان نفتی، یک فرآیند حیاتی و کاربردی است. بااین حال جریان های استخراج شده از چاه های نفتی، چند فازی بوده و تخمین دقیق دبی آن ها، بسیار چالش برانگیز و پرهزینه است. دبی سنج های مجازی در مقایسه با دبی سنج های چند فازی و روش های چاه آزمایی، ازنظر اقتصادی گزینه بسیار مناسبی هستند که با بهره گیری از داده های موجود و استفاده از روش های هوش مصنوعی، قادر به پیش بینی دقیق دبی در آینده هستند؛ بنابراین، اخیرا به دبی سنج های مجازی داده محور توجه زیادی شده است. در این مقاله تخمین دبی تولیدی یک چاه با استفاده از سه روش یادگیری ماشین k همسایه نزدیک تر (k-NN)، تقویت گرادیان (GBR) و درخت تصمیم (DT) با استفاده از داده های پمپ انجام شده است. به منظور انتخاب ویژگی های مناسب به عنوان ورودی روش ها، از تحلیل های آماری پیرسون و اسپیرمن استفاده شده است. مجموعه داده موردبررسی مربوط به یکی از چاه های یک میدان نفتی در جنوب ایران است. مجموعه داده موجود دارای حجم کم و تنوع ناکافی است، اما بااین وجود نتایج نشان می دهند که روش های 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 روش ها در برابر داده های دارای نوفه، یک درصد انحراف معیار نوفه به داده های ورودی اضافه شد. بررسی ها نشان داد که مدل k همسایه نزدیک تر با دقت 9257/0 در مقایسه با دو روش دیگر عملکرد بهتری داشته و کمترین تاثیر را از نوفه ها گرفته است.