基于机器学习算法的CO 2腐蚀速率预测

摘要：

针对传统CO2腐蚀速率预测模型结构简单,泛化性弱,油田应用效果不佳的问题,本文基于机器学习的思想,采用数据挖掘的手段,研究Na+、Cl-、pH值、温度、材质等参数对井筒腐蚀的影响,利用相关系数矩阵确定各因素之间的独立性及对井筒腐蚀速率的影响程度,分别建立了线性回归、支持向量机(SVM)、极端梯度提升(XGboost)算法的CO2腐蚀速率预测模型.以决定系数、平均绝对误差和均方根误差为评价指标,对比分析了不同腐蚀速率预测模型.结果表明,XGboost腐蚀速率预测模型效果最好,线性回归腐蚀速率模型预测效果优于SVM的4种核函数腐蚀速率预测模型.研究结果揭示了基于机器学习的腐蚀速率预测模型有很好的稳定性和泛化能力,预测效果较好,为油田量化CO2腐蚀速率提供了新的方法,在现场中具有一定的推广应用价值.

关键词：CO2腐蚀、腐蚀速率预测模型、机器学习、线性回归、支持向量机、XGboost

所属期刊栏目：38

分类号：TE98;TP181(石油机械设备与自动化)

资助基金：国家重大科技专项项目2017ZX05009-003

在线出版日期：2023-04-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：113-121