Определение зон стабильности газовых гидратов при помощи методов машинного обучения

Гулиев, Р.З.; Еремин, Н.А.; Зиганшин, А.Р.

Авторы: Гулиев Р.З., Еремин Н.А., Зиганшин А.Р.
Журнал: Экспозиция Нефть Газ
Том: 99
Номер: 6
Год издания: 2023
Первая страница: 57
Последняя страница: 61
DOI: 10.24412/2076-6785-2023-6-57-61
Аннотация: UDC 622.279.51 I Scientific articleGuliev, R. Z. Determination of zones of stability of gas hydrates using machine learning methods / R. Z. Guliev, N. A. Eremin, A. R. Ziganshin // Exposition Oil Gas. – 2023. – No. 6(99). – pp. 57-61. – DOI 10.24412/2076-6785-2023-6-57-61. – EDN UAUSXP. ISSN: 2076-6785AbstractCurrently, there is a growing interest in gas hydrates as an alternative energy source, a method of transporting and natural gas storage. An urgentproblem is the prediction of the gas hydrates formation, therefore, there is a need to develop an effective technology capable of predicting thethermobaric conditions of hydrate formation.The purpose of this work is to create a machine learning algorithm for predicting hydrate formation conditions. The tasks that were set are thecollection of empirical data on the stability zones of gas hydrates, the analysis of data by machine learning algorithms, the developing of themodel capable of accurately predicting the stability zones of gas hydrates.Materials and methodsIn the course of this work, a machine learning algorithm will be built to predict the temperature and structure of hydrate formation and initial data will be analyzed by the model. The model will be based on the Random Forest method. The initial data for training and testing the algorithm will be taken from open sources.Keywordsgas hydrates, machine learning, forecasting, thermobaric conditionsFor citationGuliev R.Z., Eremin N.A., Ziganshin A.R. Determination of stability zones of gas hydrates using machine learning methods. Exposition Oil Gas, 2023,issue 6, P. 57–61. (In Russ). DOI: 10.24412/2076-6785-2023-6-57-61УДК 622.279.51 I Научная статьяГулиев, Р. З. Определение зон стабильности газовых гидратов при помощи методов машинного обучения / Р. З. Гулиев, Н. А. Еремин, А. Р. Зиганшин // Экспозиция Нефть Газ. – 2023. – № 6(99). – С. 57-61. – DOI 10.24412/2076-6785-2023-6-57-61. – EDN UAUSXP. ISSN: 2076-6785 ResultsThe use of a machine learning model has shown high efficiency. Withinthe framework of the current study, an accuracy of 75,718 % was achievedin predicting the temperature of hydrate formation and 84,865 % inpredicting the structure of the resulting hydrate of various gases.ConclusionsIn this study, mathematical models based on machine learning algorithms are constructed. The construction of algorithms and their testing was carried out on experimental data on the thermobaric properties of gas hydrates collected from the literature. The simplicity and permissible accuracy of the forecasting results indicate that this technology can be used to determine the stability zones of gas hydrates. But shortcomings were identified in the initial data, which do not take into account all the parameters of the conditions for the formation of hydrates, contain erroneous values and do not have comprehensive information about the processes taking place.Further data collection and improvements in algorithms can make it possible to effectively assess the effect of various inhibitors on the displacement of stability zones and from concentration under given conditions. Such flexibility of the model will make it possible to efficiently operate pipelines, technological lines and, with modifications, assess the dissociation of gas hydrates in gas hydrate fields.References1. Chapoy A., Mohammadi A.H., Richon D.Predicting the hydrate stability zonesof natural gases using artificial neuralnetworks. Oil & Gas science andtechnology, 2007, Vol. 62, issue 5,P. 701–706. (In Eng).2. Abooali D., Khamehchi E. New predictivemethod for estimation of natural gashydrate formation temperature usinggenetic programming. Neural Computingand Applications, 2019, Vol. 31, issue 7,P. 2485–2494. (In Eng).3. Carroll J.J. Natural gas hydrates: a guidefor engineers 2nd ed. Amsterdam; Boston:Elsevier, 2009, 276 p. (In Eng).4. Clayton C.R.I., Priest J.A., Best A.I.The effects of disseminated methanehydrate on the dynamic stiffness anddamping of a sand. Geotechnique, 2005,Vol. 55, issue 6, P. 423–434. (In Eng).5. Elgibaly A.A., Elkamel A.M. A newcorrelation for predicting hydrate formationconditions for various gas mixtures andinhibitors. Fluid phase equilibria, 1998,Vol. 152, issue 1, P. 23–42. (In Eng).6. Eymold W.K., Frederick J.M., Nole M.,Phrampus B.J., Wood W.T. Prediction of gashydrate formation at Blake Ridge usingmachine learning and probabilistic reservoirsimulation. Geochemistry, geophysics,geosystems, Vol. 22, issue 4, 22 p. (In Eng).АннотацияВ настоящее время возрастает интерес к газогидратам как к альтернативным источникам энергии, способу транспортировки и хранения природного газа. Актуальной проблемой является прогнозирование образования газогидратов, следовательно,существует потребность в разработке эффективной технологии, способной прогнозировать термобарические условия гидратообразования.Целью данной работы является создание алгоритма машинного обучения для прогнозирования условийгидратообразования. Задачи, которые были поставлены: сбор эмпирических данных о зонах стабильности газогидратов, анализ данных алгоритмами машинного обучения, построение алгоритма, способного достаточно точно прогнозировать зоны стабильности газогидратов.Материалы и методыВ ходе данной работы будет построен алгоритм машинного обучения для прогнозирования температуры и структуры гидратообразования, также модель машинного обучения проведет анализ исходных данных. В основе модели будет лежать метод случайного леса.Исходные данные для обучения и тестирования модели будут взяты из открытых источников.Ключевые словагазовые гидраты, машинное обучение, прогнозирование, модель, термобарические условияДля цитированияГулиев Р.З., Еремин Н.А., Зиганшин А.Р. Определение зон стабильности газовых гидратов при помощи методов машинного обучения //Экспозиция Нефть Газ. 2023. № 6. С. 57–61. DOI: 10.24412/2076-6785-2023-6-57-61Поступила в редакцию: 06.09.2023ИтогиПрименение модели машинного обученияпоказало высокую эффективность. В рамкахтекущего исследования были достигнуты точ-ности в 75,718 % при прогнозировании темпе-ратуры образования гидрата и 84,865 % припрогнозировании структуры образующегосягидрата различных газов.ВыводыВ настоящем исследовании построены матема-тические модели, основанные на алгоритмахмашинного обучения. Построение алгоритмови их тестирование осуществлялось на экспери-ментальных данных термобарических свойствгазовых гидратов, собранных из литературы.Простота и допустимая точность результатов про-гнозирования свидетельствуют о том, что даннаятехнология может применяться для определениязон стабильности газогидратов. Но были выявле-ны недостатки в исходных данных, которые учи-тывают не все параметры условия образованиягидратов, содержат ошибочные значения и необладают исчерпывающей информацией о про-исходящих процессах.Дальнейший сбор данных и совершенствова-ния алгоритмов могут позволить эффективнооценивать влияние различных ингибиторов насмещение зон стабильности и их концентрациив заданных условиях. Такая гибкость моделипозволит эффективно эксплуатировать трубо-проводы, технологические линии и с доработ-ками оценивать диссоциацию гидратов газа вгазогидратных месторождениях.Литература1. Chapoy A., Mohammadi A.H., Richon D. Predicting the hydrate stability zones of natural gases using artificial neural networks. Oil & Gas science andtechnology. 2007. Vol. 62, issue 5, P. 701–706. (In Eng).2. Abooali D., Khamehchi E. New predictivemethod for estimation of natural gashydrate formation temperature usinggenetic programming. Neural Computingand Applications, 2019, Vol. 31, issue 7,P. 2485–2494. (In Eng).3. Carroll J.J. Natural gas hydrates: a guidefor engineers 2nd ed. Amsterdam; Boston:Elsevier, 2009, 276 p. (In Eng).4. Clayton C.R.I., Priest J.A., Best A.I.The effects of disseminated methanehydrate on the dynamic stiffness anddamping of a sand. Geotechnique, 2005,Vol. 55, issue 6, P. 423–434. (In Eng).5. Elgibaly A.A., Elkamel A.M. A newcorrelation for predicting hydrate formationconditions for various gas mixtures andinhibitors. Fluid phase equilibria, 1998,Vol. 152, issue 1, P. 23–42. (In Eng).6. Eymold W.K., Frederick J.M., Nole M.,Phrampus B.J., Wood W.T. Prediction of gashydrate formation at Blake Ridge usingmachine learning and probabilistic reservoirsimulation. Geochemistry, Geophysics,Geosystems, Vol. 22, issue 4, 22 p. (In Eng).
Добавил в систему: Еремин Николай Александрович

	ИСТИНА	Войти в систему Регистрация
	Интеллектуальная Система Тематического Исследования НАукометрических данных
	Главная Поиск Статистика О проекте Помощь

ИСТИНА

Интеллектуальная Система Тематического Исследования НАукометрических данных

Определение зон стабильности газовых гидратов при помощи методов машинного обучениястатья

Прикрепленные файлы