Modelado interpretable basado en aprendizaje automático de la presión mínima de miscibilidad en procesos de inyección de gas de hidrocarburos

Resumen La inyección de gas es un método altamente efectivo para mejorar la recuperación de petróleo de reservorios de hidrocarburos al mejorar la eficiencia de desplazamiento y reducir la saturación residual de petróleo. La presión mínima de miscibilidad (MMP) es una característica esencial que gobierna el proceso de inyección de gas en la recuperación mejorada de petróleo. Esta investigación tuvo como objetivo estimar la MMP de sistemas de hidrocarburo-gas petróleo utilizando redes neuronales artificiales. Para este fin, se utilizó un conjunto de datos integral que comprende 135 puntos de datos experimentales, cubriendo un amplio rango de temperaturas y composiciones de gas, para entrenar y validar cuatro modelos inteligentes, a saber, función de base radial (RBF), perceptrón multicapa (MLP), red neuronal de regresión generalizada (GRNN) y red neuronal cascada hacia adelante (CFNN), optimizados con algoritmos de optimización avanzados. Las entradas del modelo incluyeron la temperatura del reservorio, la temperatura crítica media del gas inyectado, el peso molecular del componente C 5+ (\: MW₂₅+), y el porcentaje en moles de componentes intermedios (H 2 S, CO 2, y C 2 -C 4) y volátiles (N 2, C 1). Los hallazgos revelaron que la GRNN logró el mejor rendimiento predictivo para la MMP, con un error relativo absoluto porcentual promedio (AAPRE) de 4.74 %. El análisis de tendencias ilustró que un aumento en la temperatura del reservorio conduce a valores más altos de MMP, mientras que una temperatura crítica media más alta del gas inyectado resulta en una reducción de la MMP. Además, se realizó una evaluación de sensibilidad para identificar los parámetros dominantes que influyen en la MMP. Los resultados subrayaron que el \: MW₂₅+ tiene el efecto positivo más pronunciado, indicando que los componentes de hidrocarburos más pesados elevan la MMP, mientras que la temperatura crítica media del gas inyectado emergió como el factor más significativo en la reducción de la MMP. Para mejorar la interpretabilidad de los modelos de aprendizaje automático desarrollados, se realizó un análisis SHAP (SHapley Additive exPlanations). Los resultados indicaron que Tc, ave–gas (K) exhibió la mayor dispersión de valores SHAP, destacando su papel dominante en la variabilidad de la salida. Además, según el análisis de detección de valores atípicos, más del 99 % de los datos se encuentran dentro del rango válido. El enfoque desarrollado proporciona una herramienta confiable y computacionalmente eficiente para la selección y optimización de procesos de inyección de gas en reservorios de petróleo.