Bối cảnh và vấn đề nghiên cứu

Trong kỹ thuật dầu khí, độ nhớt của dầu thô ($\mu$) là một trong những thuộc tính vật lý cơ bản và quan trọng nhất, chi phối trực tiếp đến động thái dòng chảy của lưu chất qua môi trường rỗng của tầng chứa cũng như quá trình vận chuyển trong đường ống khai thác. Độ nhớt biến thiên phức tạp phụ thuộc vào nhiệt độ, áp suất, tỷ trọng dầu, tỷ trọng khí và độ hòa tan của khí trong dầu. Về mặt thực nghiệm, việc xác định độ nhớt đòi hỏi phải thực hiện các phân tích PVT (Áp suất - Thể tích - Nhiệt độ) trong phòng thí nghiệm dưới các điều kiện áp suất và nhiệt độ vỉa nghiêm ngặt. Tuy nhiên, quy trình đo đạc thực nghiệm thường tốn kém chi phí, đòi hỏi nhiều thời gian và không phải lúc nào cũng có sẵn mẫu chất lưu đáy giếng đại diện.

Để giải quyết sự thiếu hụt dữ liệu thí nghiệm, các kỹ sư thường sử dụng các công thức tương quan thực nghiệm (empirical correlations) đã được công bố như tương quan Beal, Vasquez-Beggs hay Abdul-Majeed. Mặc dù vậy, các phương pháp tương quan cổ điển này thường được xây dựng trên các tập dữ liệu khu vực giới hạn, dẫn đến sai số đáng kể khi áp dụng cho các loại dầu thô có tính chất khác biệt hoặc trong các điều kiện nhiệt động phức tạp. Trước sự phát triển của công nghệ tính toán, việc ứng dụng trí tuệ nhân tạo, cụ thể là mạng nơ-ron nhân tạo (Artificial Neural Network - ANN), mở ra hướng tiếp cận mới với khả năng mô hình hóa các mối quan hệ phi tuyến tính phức tạp giữa các thông số vỉa và độ nhớt dầu thô.

Đồ án tập trung vào các mục tiêu và nhiệm vụ nghiên cứu cụ thể sau:

  1. Hệ thống hóa cơ sở lý thuyết về độ nhớt của dầu thô (độ nhớt dầu chết, độ nhớt dầu bão hòa, độ nhớt dầu chưa bão hòa) và các mô hình tương quan thực nghiệm truyền thống dùng để ước lượng độ nhớt dầu chưa bão hòa.
  2. Tổng quan về lịch sử phát triển của trí tuệ nhân tạo, các phương pháp học máy phổ biến và nguyên lý toán học của mạng nơ-ron nhân tạo truyền thẳng nhiều lớp huấn luyện bằng thuật toán lan truyền ngược Levenberg-Marquardt (LMA).
  3. Xây dựng quy trình xử lý dữ liệu PVT, thiết lập cấu hình mạng, huấn luyện và kiểm tra mô hình mạng nơ-ron nhân tạo trên công cụ MATLAB (nntool) để dự báo độ nhớt dầu thô chưa bão hòa.
  4. Đánh giá sai số và so sánh hiệu quả dự báo của mô hình mạng nơ-ron nhân tạo so với các phương pháp tương quan thực nghiệm đã công bố.

Đối tượng nghiên cứu của đề tài là độ nhớt của dầu thô ở trạng thái chưa bão hòa ($\mu_{oa}$), tức là trạng thái chất lưu tại áp suất cao hơn áp suất điểm bọt khí ở nhiệt độ vỉa. Phạm vi nghiên cứu sử dụng tập dữ liệu thứ cấp gồm 253 bài kiểm tra PVT từ 41 mẫu dầu đáy giếng thuộc các bể chứa dầu tại khu vực Bắc Phi và Trung Đông, được trích xuất từ nghiên cứu của Abdul-Majeed.

Cơ sở lý thuyết và phương pháp

Đề tài kết hợp giữa lý thuyết nhiệt động lực học dầu khí và giải thuật toán học của mạng nơ-ron nhân tạo:

  • Khung lý thuyết dầu khí: Độ nhớt dầu thô được phân chia theo trạng thái áp suất thành ba nhóm: độ nhớt dầu chết ($\mu_{od}$ ở áp suất khí quyển), độ nhớt dầu bão hòa ($\mu_{ob}$ ở áp suất điểm bọt khí $P_b$), và độ nhớt dầu chưa bão hòa ($\mu_{oa}$ ở áp suất $P > P_b$). Các mô hình tương quan kinh nghiệm được sử dụng làm cơ sở đối chiếu bao gồm:

    • Tương quan Beal (1946): Phát triển trên 52 phép đo độ nhớt, khớp với đường cong Standing (1981).
    • Tương quan Vasquez-Beggs (1980): Xây dựng từ 3.593 điểm dữ liệu thực nghiệm.
    • Tương quan Abdul-Majeed (1990): Xây dựng dựa trên 253 thí nghiệm PVT từ 41 mẫu dầu Bắc Phi và Trung Đông.

  • Khung lý thuyết mạng nơ-ron nhân tạo: Mô hình mạng nơ-ron truyền thẳng đa lớp (Feedforward Neural Network) mô phỏng hoạt động của tế bào thần kinh sinh học. Cấu trúc mạng bao gồm lớp đầu vào (Input Layer), các lớp ẩn (Hidden Layers) và lớp đầu ra (Output Layer). Hàm tính tổng kết hợp trọng số và độ lệch: $$Y = \sum_{i=1}^n (x_i \cdot w_i) + b$$ Các hàm truyền (activation/transfer function) được khảo sát bao gồm hàm Logistic Sigmoid, hàm Tangent Sigmoid (tansig): $$f(x) = \frac{e^x - e^{-x}}{e^x + e^{-x}}$$ và hàm tuyến tính (purelin): $f(x) = x$. Thuật toán huấn luyện áp dụng là Levenberg-Marquardt (LMA) với cơ chế lan truyền ngược sai số qua 9 bước toán học để cập nhật liên tục ma trận trọng số liên kết ($v_{ij}, w_{jk}$) và hệ số cộng ($b_{0j}, w_{0k}$).

  • Phương pháp thu thập và xử lý dữ liệu: Dữ liệu gồm 253 bản ghi thực nghiệm với 6 biến đầu vào và 1 biến đầu ra. Để khắc phục sự mất cân bằng về độ lớn vật lý giữa các biến và tăng tính ổn định hội tụ của mạng, toàn bộ dữ liệu đầu vào được chuẩn hóa không thứ nguyên về đoạn $[0; 1]$ theo công thức: $$x_i^* = \frac{x_i - x_{min}}{x_{max} - x_{min}}$$ Tập dữ liệu sau đó được phân chia ngẫu nhiên thành 2 phần: tập huấn luyện (Training Set) chiếm 85% (tương ứng 215 điểm dữ liệu) và tập kiểm tra (Testing Set) chiếm 15% (tương ứng 38 điểm dữ liệu).

  • Phương pháp đánh giá độ chính xác: Sử dụng các chỉ số thống kê định lượng bao gồm:

    • Sai số toàn phương trung bình (Mean Squared Error - MSE): $$MSE = \frac{1}{n}\sum_{i=1}^n (y_i - \bar{y}_i)^2$$
    • Hệ số tương quan ($R$ và $R^2$): $$R = \frac{Cov(x, y)}{\sigma_x \sigma_y}$$
    • Tỷ lệ sai số tương đối trung bình (APRE - Average Percent Relative Error) và Căn bậc hai sai số toàn phương trung bình (RMSE - Root Mean Squared Error).

Nội dung chính theo từng chương

Chương 1: Tổng quan về lý thuyết độ nhớt dầu thô

Chương 1 trình bày định nghĩa bản chất vật lý của độ nhớt dầu thô và phân loại độ nhớt dựa trên áp suất hệ thống. Tác giả phân tích chi tiết cơ chế suy giảm độ nhớt khi hòa tan khí và sự gia tăng độ nhớt khi áp suất tăng vượt quá áp suất điểm bọt khí đối với dầu chưa bão hòa. Ba mô hình tương quan thực nghiệm phổ biến được mổ xẻ về mặt toán học và phạm vi dữ liệu nguồn:

  • Tương quan Beal (1946): Đưa ra biểu thức tính chênh lệch độ nhớt dầu chưa bão hòa với áp suất điểm bọt khí dựa trên 52 mẫu đo, ghi nhận sai số trung bình khoảng 1%.
  • Tương quan Vasquez-Beggs (1980): Dùng phương trình lũy thừa $\mu_{oa} = \mu_{ob} (P / P_b)^m$ với số mũ $m$ là hàm của áp suất $P$. Dữ liệu xây dựng mô hình trải dài trong khoảng áp suất 141–9.151 psia, độ hòa tan khí $R_s$ từ 9,3–2.199 scf/STB, độ nhớt từ 0,117–148 cp, tỷ trọng khí 0,511–1,351 và độ nhớt API từ 15,3–59,5. Sai số trung bình được báo cáo là –7,541%.
  • Tương quan Abdul-Majeed (1990): Phát triển dựa trên 253 bài kiểm tra PVT từ 41 mẫu dầu thô Bắc Phi và Trung Đông, liên hệ trực tiếp giữa độ nhớt bão hòa, tỷ số khí - dầu hòa tan ($R_s$) và độ chênh lệch áp suất $(P - P_b)$.
Đại lượng / Thông số Tương quan Beal (1946) Tương quan Vasquez-Beggs (1980) Tương quan Abdul-Majeed (1990)
Số lượng mẫu dữ liệu 52 phép đo 3.593 điểm dữ liệu 253 bài kiểm tra PVT (41 mẫu dầu)
Dải áp suất kiểm nghiệm Dữ liệu phòng thí nghiệm 141 – 9.151 psia Dữ liệu Bắc Phi & Trung Đông
Dải tỷ trọng API Dữ liệu Standing (1981) 15,3 – 59,5 API Dữ liệu dầu thô thực tế
Sai số trung bình báo cáo ~1% –7,541% Phụ thuộc tập mẫu kiểm chứng

Chương 2: Tổng quan về trí tuệ nhận tạo

Chương 2 khái quát lịch sử hình thành và phát triển của trí tuệ nhân tạo từ thập niên 1950 thông qua các công trình tiên phong của Allen Newell, Herbert Simon (Đại học Carnegie Mellon), John McCarthy và Marvin Minsky (Viện Công nghệ MIT). Tiến trình phát triển được hệ thống hóa qua các mốc lịch sử như máy tính ENIAC (1941), máy tính thương mại đầu tiên (1949), sự ra đời thuật ngữ TTNT (1956), ngôn ngữ LISP (1958), SHRDLU (1968), ngôn ngữ PROLOG (1970), hệ chuyên gia (1972), đề án máy tính thế hệ thứ năm (1982), mạng nơ-ron và giải thuật di truyền (1986), hệ thống Deep Blue hạ vô địch cờ vua (1997), robot ASIMO (2000) và thách thức DARPA (2005).

Chương này cũng phân tích 6 nhánh phương pháp học máy và trí tuệ nhân tạo chính:

  1. Mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN).
  2. Logic mờ (Fuzzy Logic): Đánh giá mức độ chân lý bằng giá trị thực thuộc đoạn $[0; 1]$.
  3. Hệ thống chuyên gia (Expert System): Suy luận dựa trên cơ sở tri thức để đưa ra kết luận.
  4. Lập luận theo tình huống (Case-based Reasoning): Giải quyết vấn đề mới dựa trên lời giải của bài toán tương tự trong quá khứ.
  5. Tính toán tiến hóa (Evolutionary Computation): Vận dụng các cơ chế sinh học như chọn lọc, lai ghép và đột biến.
  6. Trí tuệ nhân tạo dựa vào hành vi (Behavior-based AI).

Trong kỹ thuật dầu khí, tác giả nhấn mạnh vai trò của ANN, logic mờ và hệ chuyên gia trong các bài toán: mô phỏng vỉa dầu khí, tối ưu hóa quá trình khoan, hoàn thiện giếng, minh giải số liệu địa vật lý giếng khoan, đánh giá rủi ro địa kỹ thuật, mô hình dòng chảy hai pha và theo dõi quá trình bơm ép nước duy trì áp suất vỉa.

Chương 3: Tổng quan về mạng neuron nhận tạo và Xây dựng mô hình

Chương 3 là trọng tâm kỹ thuật của đồ án, bao gồm cấu tạo chi tiết của mạng nơ-ron, quy trình huấn luyện và ứng dụng thực nghiệm trên bộ dữ liệu độ nhớt dầu thô. Tác giả mô tả sự tương đồng giữa tế bào thần kinh sinh học (Dendrite, Soma, Axon, Synapse) và các thành phần toán học tương ứng của ANN (Input, Summation, Transfer function, Weight).

Quy trình thuật toán lan truyền ngược Levenberg-Marquardt (LMA) được mô tả chi tiết qua 9 bước tính toán: từ việc tiếp nhận vector đầu vào $\mathbf{x}$, tính toán giá trị tại lớp ẩn $z_{inj}$, chuyển đổi qua hàm kích hoạt $f(z_{inj})$, truyền tín hiệu đến lớp xuất $y_{ink}$, tính sai số đầu ra $\delta_k = (t_k - y_k)f'(y_{ink})$, lan truyền ngược sai số về lớp ẩn $\delta_{inj}$, tính toán sai số lớp ẩn $\delta_j = \delta_{inj} f'(z_{inj})$, đến bước cập nhật trọng số và hệ số cộng mới ($v_{ij}^{mới} = v_{ij}^{cũ} + \Delta v_{ij}$; $w_{jk}^{mới} = w_{jk}^{cũ} + \Delta w_{jk}$).

Chương này cũng làm rõ hiện tượng quá khớp (Overfitting) và chưa khớp (Underfitting) cùng các giải pháp kiểm soát như đơn giản hóa cấu trúc mạng, bổ sung dữ liệu huấn luyện, lọc nhiễu và sử dụng siêu tham số điều chuẩn (Regularization).

Quy trình xây dựng mô hình dự báo độ nhớt trên MATLAB gồm 5 bước:

  • Bước 1: Thu thập và xử lý số liệu đầu vào: Tập hợp 253 bản ghi từ tài liệu của Abdul-Majeed. Thông số đầu vào bao gồm 6 biến: độ nhớt tại điểm bọt khí ($\mu_{ob}$), áp suất trên điểm bọt khí ($P$), áp suất điểm bọt khí ($P_b$), độ hòa tan khí ($R_s$), tỷ trọng API ($API$), và nhiệt độ trên điểm bọt khí ($T$). Thông số đầu ra là độ nhớt dầu chưa bão hòa ($\mu_{oa}$). Dữ liệu được chuẩn hóa về đoạn $[0; 1]$ và chia thành tập huấn luyện (215 mẫu - 85%) và tập kiểm tra (38 mẫu - 15%).
  • Bước 2: Xây dựng cấu trúc mạng: Sử dụng lệnh nntool để khởi tạo mạng. Qua quá trình thử nghiệm nhiều cấu hình, cấu trúc tối ưu được xác định là mạng 2 lớp ẩn có dạng 6 – 15 – 1 – 1. Lớp ẩn thứ nhất gồm 15 nơ-ron sử dụng hàm truyền tansig, lớp ẩn thứ hai gồm 1 nơ-ron sử dụng hàm truyền purelin, và lớp đầu ra gồm 1 nơ-ron.
  • Bước 3: Luyện mạng (Training): Huấn luyện mạng thông qua công cụ nntraintool với thuật toán LMA trên tập dữ liệu huấn luyện.
  • Bước 4: Kiểm tra (Testing): Đánh giá mô hình trên tập kiểm tra độc lập (38 mẫu) thông qua chức năng Simulate, xuất dữ liệu network1_output. Đồ thị hồi quy cho thấy hệ số tương quan $R = 0,99992$ trên toàn bộ các tập dữ liệu, biểu thị mức độ tương thích tuyến tính cao giữa giá trị mô phỏng và giá trị đo thực nghiệm.
  • Bước 5: Sử dụng mạng và so sánh sai số: So sánh kết quả dự báo của ANN với các phương pháp tương quan kinh nghiệm thông qua bảng thống kê sai số (Bảng 2 trong văn bản).
Thông số biến số Ký hiệu Miền giá trị thực nghiệm Đơn vị đo Vai trò trong mô hình
Độ nhớt điểm bọt khí $\mu_{ob}$ Dữ liệu PVT Pa.s / cp Đầu vào (Input 1)
Áp suất trên điểm bọt khí $P$ Dữ liệu PVT kPa / psia Đầu vào (Input 2)
Áp suất điểm bọt khí $P_b$ 780 – 41.384,06 kPa Đầu vào (Input 3)
Độ hòa tan khí $R_s$ 10,55 – Thực nghiệm $\text{m}^3/\text{m}^3$ Đầu vào (Input 4)
Tỉ trọng API $API$ 15 – 51 độ API Đầu vào (Input 5)
Nhiệt độ điểm bọt khí $T$ 36 – 112,8 $^\circ\text{C}$ Đầu vào (Input 6)
Độ nhớt dầu chưa bão hòa $\mu_{oa}$ 0,0285 – Thực nghiệm Pa.s / cp Đầu ra (Target / Output)

Chương 4: Kết luận và kiến nghị

Chương 4 tổng kết các kết quả đạt được của đồ án, khẳng định tính khả thi và độ chính xác của mạng nơ-ron cấu trúc 6-15-1-1 trong bài toán dự báo độ nhớt dầu chưa bão hòa. Đồng thời, tác giả đưa ra các kiến nghị về việc mở rộng tập dữ liệu cho các hệ dầu thô phức tạp hơn và đề xuất tích hợp ANN vào các công cụ tính toán mô phỏng khai thác dầu khí tổng thể.

Kết quả và đóng góp

Nghiên cứu đã đạt được các kết quả cụ thể sau:

  • Xác lập thành công cấu hình mạng nơ-ron nhân tạo tối ưu dạng 6 – 15 (Tang-sigmoid) – 1 (Purelin) – 1 để ước lượng độ nhớt dầu thô chưa bão hòa từ 6 thông số vỉa cơ bản ($P_b, R_s, API, T, \mu_{ob}, P$).
  • Mô hình đạt hệ số tương quan $R = 0,99992$ trong giai đoạn huấn luyện và kiểm định, phản ánh sự trùng khớp cao giữa giá trị độ nhớt dự đoán và dữ liệu đo thực tế trên 38 mẫu kiểm tra độc lập.
  • Chứng minh tính ưu việt của mô hình học máy so với các tương quan thực nghiệm cổ điển (Beal, Vasquez-Beggs, Abdul-Majeed). Mô hình ANN giúp giảm thiểu sai số dự báo, khắc phục các giới hạn giả định tuyến tính của các công thức giải tích truyền thống.

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế: Nghiên cứu mới dừng lại ở việc kiểm nghiệm trên tập dữ liệu gồm 253 điểm PVT trích xuất từ các mỏ dầu thuộc khu vực Bắc Phi và Trung Đông. Mô hình chưa được kiểm chứng trên các loại dầu thô đặc thù khác như dầu nặng (heavy oil), dầu có hàm lượng paraffin hoặc asphaltene cao, hoặc chất lưu từ các bồn trũng có điều kiện địa chất khác biệt.
  • Hướng nghiên cứu tiếp: Thu thập và mở rộng tập dữ liệu cho nhiều mẫu dầu thô đa dạng trên thế giới; tiếp tục tối ưu hóa cấu trúc mạng và khảo sát các thuật toán học máy khác; mở rộng phạm vi ứng dụng của ANN sang việc dự báo các thuộc tính PVT khác như hệ số giãn nở thể tích dầu ($B_o$), tỷ số khí hòa tan ($R_s$), áp suất điểm bọt ($P_b$) và hệ số nén chất lưu ($c_o$).

Giá trị tham khảo

Tài liệu là tài liệu tham khảo hữu ích cho:

  • Sinh viên, học viên cao học và nghiên cứu sinh ngành Kỹ thuật Dầu khí, Địa chất Dầu khí, Kỹ thuật Mỏ và Năng lượng muốn tìm hiểu phương pháp ứng dụng trí tuệ nhân tạo trong mô hình hóa tính chất lưu chất vỉa.
  • Các kỹ sư khai thác và mô phỏng vỉa cần một quy trình từng bước rõ ràng để xây dựng, chuẩn hóa dữ liệu và huấn luyện mạng nơ-ron trên công cụ MATLAB nntool.
  • Phần đáng tham khảo nhất là quy trình 5 bước xây dựng mạng nơ-ron nhân tạo (từ chuẩn hóa dữ liệu min-max, thiết lập số nơ-ron lớp ẩn, cài đặt hàm truyền tansig/purelin, đến việc phân tích hồi quy sai số $R$ và MSE).

Câu hỏi thường gặp

1. Các thông số đầu vào được sử dụng để xây dựng mô hình mạng nơ-ron trong đồ án là gì?
Mô hình sử dụng 6 thông số đầu vào vật lý bao gồm: độ nhớt dầu tại điểm bọt khí ($\mu_{ob}$), áp suất trên điểm bọt khí ($P$), áp suất điểm bọt khí ($P_b$), độ hòa tan khí trong dầu ($R_s$), tỷ trọng dầu ($API$), và nhiệt độ trên điểm bọt khí ($T$).

2. Cấu trúc mạng nơ-ron nhân tạo tối ưu được tác giả lựa chọn có đặc điểm gì?
Cấu trúc mạng tối ưu được xác định là mạng truyền thẳng đa lớp 6 – 15 – 1 – 1, gồm 6 nút đầu vào, lớp ẩn thứ nhất có 15 nơ-ron sử dụng hàm truyền Tangent Sigmoid (tansig), lớp ẩn thứ hai có 1 nơ-ron sử dụng hàm truyền tuyến tính (purelin), và 1 nút đầu ra dự báo độ nhớt dầu chưa bão hòa ($\mu_{oa}$).

3. Tập dữ liệu nghiên cứu có nguồn gốc từ đâu và được phân chia tỷ lệ như thế nào?
Dữ liệu gồm 253 bài kiểm tra PVT từ 41 mẫu dầu đáy giếng khu vực Bắc Phi và Trung Đông (theo tài liệu của Abdul-Majeed). Bộ số liệu được phân chia ngẫu nhiên thành 2 phần: tập huấn luyện (Training Set) gồm 215 điểm (chiếm 85%) và tập kiểm tra (Testing Set) gồm 38 điểm (chiếm 15%).

4. Vì sao cần phải chuẩn hóa dữ liệu đầu vào về khoảng [0; 1] trước khi huấn luyện mạng?
Do các thông số đầu vào có thứ nguyên và miền giá trị chênh lệch rất lớn (ví dụ áp suất lên tới hàng chục nghìn kPa trong khi độ nhớt có giá trị thập phân nhỏ), việc chuẩn hóa về dạng không thứ nguyên trong khoảng $[0; 1]$ giúp mạng nơ-ron tránh rơi vào trạng thái mất ổn định toán học, tăng tốc độ hội tụ và nâng cao độ chính xác khi huấn luyện.

5. Thuật toán huấn luyện nào được áp dụng cho mạng nơ-ron trong nghiên cứu này?
Nghiên cứu sử dụng thuật toán lan truyền ngược Levenberg-Marquardt (LMA) kết hợp qua giao diện huấn luyện nntraintool của MATLAB, cho phép tối ưu hóa các trọng số liên kết và hệ số cộng thông qua việc tính toán đạo hàm sai số giữa giá trị dự đoán và thực nghiệm.

Kết luận

Đồ án "Áp dụng mạng nơ-ron để ước lượng độ nhớt của dầu thô chưa bão hòa" đã xây dựng thành công mô hình mạng nơ-ron nhân tạo truyền thẳng cấu hình 6-15-1-1 dựa trên thuật toán Levenberg-Marquardt trong môi trường MATLAB. Với hệ số tương quan đạt $R = 0,99992$ trên tập dữ liệu thực nghiệm 253 mẫu PVT, mô hình chứng minh khả năng dự báo độ nhớt dầu chưa bão hòa với độ chính xác cao và thời gian tính toán nhanh. Công trình khẳng định tiềm năng ứng dụng của trí tuệ nhân tạo trong việc thay thế và bổ trợ cho các tương quan kinh nghiệm truyền thống trong kỹ thuật khai thác dầu khí.