Исследование химической консолидации песка переход от полимеров к наночастицам
DOI:
https://doi.org/10.52171/herald.393Ключевые слова:
химическая консолидация песка, полимерные смолы, наночастицы, сохранение проницаемости, одноосная прочность, устойчивость ствола скважиныАннотация
В статье проведено исследование химической консолидации песка для решения проблем пескообразования при добыче углеводородов. Цель исследования – преобразовать зерна песка в пластах с пониженной геомеханической устойчивостью в прочную, но проницаемую матрицу, тем самым защитив оборудование от эрозии и сохранив продуктивность скважины. В исследовании использовались как классические полимерные смолы (эпоксидные, фурановые, фенолформальдегидные), так и наночастичные системы, их механическая прочность, потери проницаемости и термостойкость (до 195°C) были сравнительно оценены. Результаты показали, что наночастицы сохраняют гидравлическую связность пласта и ограничивают потери проницаемости до примерно 11,8%, тогда как полимерные смолы обеспечивают высокую одноосную прочность, но снижают проницаемость примерно на 52,5%. В статье также проанализирована применимость этих методов в различных пластовых условиях, включая глубоководные и зрелые месторождения.
Библиографические ссылки
1. Tran H.D., Le N., Nguyen V.H. Customer churn prediction in the banking sector using machine learning-based classification models. Interdisciplinary Journal of Information, Knowledge & Management, 18, 87–105, 2023. https://doi.org/10.28945/5086
2. Ashraf R. Bank customer churn prediction using machine learning framework. Journal of Applied Finance & Banking, 14(4), 1–5, 2024.
3. Badalova A.N., Guliyeva S.H. Application of Machine Learning Methods for Classification of Agricultural Crops. Herald of the Azerbaijan Engineering Academy, 14(2), 106–116, 2022. https://doi.org/10.52171/2076-0515_2022_14_02_106_116
4. Imani M., Joudaki M., Beikmohammadi A., Arabnia H.R. Customer churn prediction: A systematic review of recent advances, trends, and challenges in machine learning and deep learning. Machine Learning and Knowledge Extraction, 7(3), 105, 2025.
https://doi.org/10.3390/make7030105
5. Xu X., Kou G., Ergu D. Profit-based uncertainty estimation with application to credit scoring. European Journal of Operational Research, 325(2), 303–316, 2025. https://doi.org/10.1016/j.ejor.2025.03.007
6. Li Y., Yan K. Prediction of bank credit customers churn based on machine learning and interpretability analysis. Data Science in Finance and Economics, 5(1), 19–34, 2025.
https://doi.org/10.3934/DSFE.2025002
7. Peng K., Peng Y., Li W. Research on customer churn prediction and model interpretability analysis. PLoS ONE, 18(12), e0289724, 2023.
https://doi.org/10.1371/journal.pone.0289724
8. Breiman, L. Random forests. Machine Learning, 45(1), 5–32, 2001. https://doi.org/10.1023/A:1010933404324
9. Chen, T., & Guestrin, C. XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794, 2016. https://doi.org/10.1145/2939672.2939785
10. Gal, Y., & Ghahramani, Z. Dropout as a Bayesian approximation: Representing model uncertainty in deep learning. In Proceedings of the 33rd International Conference on Machine Learning (ICML), 1050–1059, 2016
11. Fawcett, T. An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874, 2006. DOI: https://doi.org/10.1016/j.patrec.2005.10.010
12. Powers, D.M.W. Evaluation: From precision, recall and F-measure to ROC. Journal of Machine Learning Technologies, 2(1), 37–63, 2011
13. Brier, G.W. Verification of forecasts expressed in terms of probability. Monthly Weather Review, 78(1), 1–3, 1950
14. Guo, C., Pleiss, G., Sun, Y., & Weinberger, K.Q. On calibration of modern neural networks. Proceedings of the 34th International Conference on Machine Learning (ICML), 1321–1330, 2017
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2025 I.J. Karimov
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
