ابوالفضل دهقان منفرد

تراوایی نسبی به عنوان یکی از پارامترهای کلیدی در تحلیل جریان چندفازی در مخازن هیدروکربنی، نقش مهمی در شبیه سازی و بهینه سازی فرآیندهای تزریق و تولید دارد و در حوزه ذخیره سازی دی اکسیدکربن نیز از اهمیت ویژه ای برخوردار است. فناوری خیره سازی و جداسازی دی اکسیدکربن (CCS) به عنوان یکی از رویکردهای نوین کاهش انتشار گازهای گلخانه ای، مستلزم شناخت دقیق رفتار جریان این گاز در محیط های متخلخل است. در این پژوهش، بررسی و پیش بینی تراوایی نسبی در سیستم دوفازی گاز دی اکسیدکربن-آب با بهره گیری از رویکردهای مدل سازی مبتنی بر یادگیری ماشین انجام گرفته است. داده های مخزنی با ویژگی های فیزیکی و شیمیایی استخراج و پس از غربال سازی به مجموعه های آموزش و آزمون تقسیم شدند. سه الگوریتم KNN، Random Forest و CatBoost برای مدل سازی انتخاب و با روش اعتبارسنجی متقاطع K-Fold بهینه سازی شدند. نتایج نشان داد که CatBoost بهترین عملکرد را در پیش بینی تراوایی نسبی ارائه می دهد و میزان خطای آن در داده های آموزش و آزمون کمتر از دو مدل دیگر است. تحلیل اهمیت ویژگی ها نیز آشکار ساخت که اشباع دی اکسیدکربن، تخلخل و فشار و دما بیشترین تأثیر را در نتایج مدل دارند. یافته های این تحقیق نشان می دهد که بهره گیری از الگوریتم های پیشرفته یادگیری ماشین، به ویژه CatBoost، می تواند دقت پیش بینی تراوایی نسبی را به طور چشمگیری ارتقا داده و در بهبود شبیه سازی فرآیند ذخیره سازی زیرزمینی دی اکسیدکربن نقش آفرین باشد.