[论文解读] Machine Learning and the Internet of Things Enable Steam Flood Optimization for Improved Oil Production

Mi Yan, Jonathan C. MacDonald+4 more|arXiv (Cornell University)|Aug 29, 2019

Oil and Gas Production Techniques参考文献 26被引用 4

一句话总结

本文提出了一种基于机器学习与物联网（IoT）的工作流程，用于优化稠油开采中的蒸汽吞吐作业，利用实时时间序列数据预测产量并推荐最优蒸汽注入方案。通过基于云的模型训练和实时数据处理，该系统实现了3%的原油产量提升，展示了在能源领域和预测性维护等工业应用中的可扩展解决方案。

ABSTRACT

Recently developed machine learning techniques, in association with the Internet of Things (IoT) allow for the implementation of a method of increasing oil production from heavy-oil wells. Steam flood injection, a widely used enhanced oil recovery technique, uses thermal and gravitational potential to mobilize and dilute heavy oil in situ to increase oil production. In contrast to traditional steam flood simulations based on principles of classic physics, we introduce here an approach using cutting-edge machine learning techniques that have the potential to provide a better way to describe the performance of steam flood. We propose a workflow to address a category of time-series data that can be analyzed with supervised machine learning algorithms and IoT. We demonstrate the effectiveness of the technique for forecasting oil production in steam flood scenarios. Moreover, we build an optimization system that recommends an optimal steam allocation plan, and show that it leads to a 3% improvement in oil production. We develop a minimum viable product on a cloud platform that can implement real-time data collection, transfer, and storage, as well as the training and implementation of a cloud-based machine learning model. This workflow also offers an applicable solution to other problems with similar time-series data structures, like predictive maintenance.

研究动机与目标

• 解决传统基于物理的蒸汽吞吐模拟在稠油开采中效率低下的问题。
• 开发一种基于数据的机器学习与物联网方法，实现实时预测与蒸汽吞吐作业的优化。
• 在云平台上构建一个最小可行产品（MVP），用于可扩展地部署实时数据采集、存储与模型推理。
• 证明该框架在采油以外的应用中的适用性，包括类似时间序列数据的预测性维护。
• 通过在时间序列数据上应用监督学习，推荐最优蒸汽分配方案，以提高原油采收效率。

提出的方法

• 该方法在来自蒸汽吞吐作业中物联网传感器的时间序列数据上应用监督机器学习。
• 开发了一个基于云的平台，用于处理实时数据摄入、存储以及机器学习流水线的模型训练。
• 系统利用历史运行数据训练模型，以预测在不同蒸汽注入条件下的原油产量。
• 通过利用训练好的模型，优化模块可推荐最优的蒸汽分配方案，以最大化原油产出。
• 工作流程将物联网数据流与机器学习模型集成，实现实时动态、数据驱动的决策。
• 该框架设计为最小可行产品（MVP），可在公共云基础设施上部署，确保可扩展性与实时性能。

实验结果

研究问题

• RQ1 在物联网生成的时间序列数据上训练的机器学习模型，能否提高蒸汽吞吐作业中原油产量预测的准确性？
• RQ2 基于数据的方法能否在优化蒸汽吞吐性能方面超越传统的基于物理的模拟？
• RQ3 实时数据处理与基于云的机器学习模型在通过动态蒸汽分配提升原油产量方面，其增强程度如何？
• RQ4 所提出的AIoT框架在其他具有类似时间序列数据的工业应用中的可扩展性与可迁移性如何？
• RQ5 优化的蒸汽分配对整体原油产量的可衡量影响是什么？

主要发现

• 所提出的基于机器学习与物联网的系统，通过优化蒸汽分配，实现了3%的原油产量提升。
• 该框架成功展示了基于云的MVP实现实时数据采集、存储与模型推理。
• 该系统通过在蒸汽吞吐作业的时序运行数据上应用监督学习，有效预测了原油产量。
• 该方法为经典基于物理的模拟提供了一种可行的替代方案，具备更快的性能调优与更强的适应性。
• 该工作流程可迁移至其他具有类似时间序列数据的领域，例如工业系统中的预测性维护。
• 物联网与机器学习的集成实现了动态、数据驱动的决策，显著提升了采收效率。