Прогнозирование содержания нефти в воде, закачиваемой на нефтяные месторождения, на основе моделирования ResNet

Представлены быстрые и точные методы прогнозирования содержания нефти в воде, повторно закачиваемой на нефтяные месторождения. На станции очистки сточных вод месторождения Дацин отобрано 146 образцов воды для повторного использования. Для прогнозирования содержания нефти на основе спектров пропускания в УФ-видимом диапазоне 190—900 нм построены три модели остаточной нейронной сети (ResNet) с различными сетевыми структурами и несколькими слоями. Сравнительный анализ проведен методом частичных наименьших квадратов siPLS. Средние абсолютные ошибки трех моделей ResNet (1.23, 0.76 и 0.29 мг/л) демонстрируют более низкие значения по сравнению с полученными методом siPLS, в частности, увеличение количества слоев в модели ResNet повышает точность обнаружения. Продемонстрирована пригодность модели ResNet для прогнозирования содержания нефтепродуктов в сточных водах около 20.0 мг/л, как предписано отраслевыми спецификациями.

1. Y. Liang, Y. Ning, L. Liao, et al., Formation Damage During Improved Oil Recovery, Gulf Professional Publishing, 515–586 (2018).

2. A. Al Moajil, T. Almubarak, F. Alotaibi, et al., Middle East Oil, Gas and Geosciences Show, OnePetro (2023).

3. A. E. Ite, T. A. Harry, C. O. Obadimu, et al., J. Environ. Poll. and Human Health, 6, No. 2, 51–61 (2018).

4. P. Lv, X. Wang, Y. Chen, et al., Petroleum Sci. and Technol., 35, No. 12, 1285–1289 (2017).

5. A. Fakhru’l-Razi, A. Pendashteh, L. C. Abdullah, et al., J. Hazard. Mater., 170, No. 2-3, 530–551 (2009).

6. Y. Chen, W. Duan, Y. Yang, et al., Spectrochim. Acta A: Mol. and Biomolec. Spectrosc., 272, 120967 (2022).

7. D. Omanović, C. Santinelli, S. Marcinek, et al., Comp. Geosci., 133, 104334 (2019).

8. X. Zhu, L. Chen, J. Pumpanen, et al., Talanta, 224, 121919 (2021).

9. P. V. Ajayakumar, D. Chanda, A. Pal, et al., J. Pharm. and Biomed. Analysis, 58, 157–162 (2012).

10. C. Quintelas, D. P. Mesquita, E. C. Ferreira, et al., Talanta, 194, 507–513 (2019).

11. S. Chakraborty, D. C. Weindorf, B. Li, et al., Sci. Total Environ., 514, 399–408 (2015).

12. S. Chakraborty, D. C. Weindorf, Y. Zhu, et al., Geoderma, 177, 80–89 (2012).

13. M Mohammadi, M K Khorrami, A Vatani, et al., Spectrochim. Acta A: Mol. and Biomolec. Spectrosc., 245, 118945 (2021).

14. Y. T. Wang, Y. Zhang, F. K. Shang, et al., Spectrosc. and Spectral Analysis, 39, No. 11, 3420–3425 (2019).

15. P. F. Cheng, Y. P. Zhu, C. J. Cui, et al., Measurement & Control., 55, No. 9-10, 1078–1087 (2022).

16. L. M. He, L. L. Kear-Padilla, S. H. Lieberman, et al., Anal. Chim. Acta, 478, No. 2, 245–258 (2003).

17. P. Khatri, K. K. Gupta, R. K. Gupta, Modeling Earth Systems and Environ., 7, 703–714 (2021).

18. J. R. Etheridge, M. Randolph, C. Humphrey, J. Environ. Quality, 48, No. 2, 531–536 (2019).

19. P. Li, J. Qu, Y. He, et al., RSC Adv., 10, No. 35, 20691–20700 (2020).

20. A. Radzevičius, M. Dapkienė, N. Sabienė, et al., Appl. Sci., 10, No. 24, 9072 (2020).

21. C. Yan, X. Shen, F. Guo, Structural and Multidisciplinary Optimization, 57, 2431–2445 (2018).

22. Z. Xing, J. Chen, X. Zhao, et al., Peer J., 7, e8255 (2019).

23. H. A. Mokhtari, S. A. Mirbagheri, N. Gisou, et al., Desalination and Water Treatment, 198, 108–118 (2020).

24. K. He, X. Zhang, S. Ren, et al., IEEE Computer Society. Conference on Computer Vision and Pattern Recognition, CVPR 2016, June 26, 2016 July 1, 2016, Las Vegas, NV, United States, F (2016).

25. D. Chen, F. Hu, G. Nian, et al., Entropy, 22, No. 2, 193 (2020).

26. Q. Wang, H. Li, H. Zhao, et al., Water Science & Technology, 87, No. 7, 1779–1790 (2023).

27. F. S. Rocha, A. J. Gomes, C. N. Lunardi, et al., Canad. J. Chem. Eng., 96, No. 12, 2512–2517 (2018).