机器学习驱动的二氧化碳气水交替驱开发策略优化方法

摘要

数值模拟方法在CO₂气水交替驱（CO₂-WAG）开发策略优化中虽然具有较高的预测精度，但在多参数组合优化和全局优化中因计算量巨大使其效率受限，难以满足复杂油藏开发方案的高效优化需求。为了解决这一问题，提出了一种基于随机森林模型的数值模拟替代方法，并结合全局优化框架显著提升了开发策略优化的计算效率与预测精度。通过改进的K-Fold交叉验证方法优化模型超参数，构建了能精准捕捉输入参数与开发效果之间复杂非线性关系的替代模型。以随机森林模型的测试集拟合优度（R²）和均方根误差（RMSE）为主要评价指标，验证了模型的预测可靠性，并通过与数值模拟结果对比进一步论证了方法的可行性和精确性。优化中结合循环遍历法探索增油量与CO₂埋存率之间的权衡，提出了多目标下的最优注采策略。优化结果表明，与传统开发方案相比，基于随机森林模型优化后的开发方案能够在显著提高累计产油量的同时增加CO₂埋存量并延迟气窜时间。在某致密油藏的实际模型中，相比样本最优方案，优化方案使累计产油量提升8.6%,CO₂埋存量增加14.5%，气窜时间延迟6年，显著改善了驱替效果和提高了开发效益。

关键词

CO₂-WAG / 致密油藏 / 随机森林 / 主控因素 / 机器学习