Nghiên cứu áp dụng các thuật toán khai phá dữ liệu không giám sát để lựa chọn giải pháp nâng cao hệ số thu hồi dầu cho các mỏ dầu đang suy giảm sản lượng
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
TẠP CHÍ DẦU KHÍ
Số 12 - 2020, trang 30 - 36
ISSN 2615-9902
NGHIÊN CỨU ÁP DỤNG CÁC THUẬT TOÁN KHAI PHÁ DỮ LIỆU
KHÔNG GIÁM SÁT ĐỂ LỰA CHỌN GIẢI PHÁP NÂNG CAO HỆ SỐ
THU HỒI DẦU CHO CÁC MỎ DẦU ĐANG SUY GIẢM SẢN LƯỢNG
Phạm Quý Ngọc, Đoàn Huy Hiên, Hoàng Long
Viện Dầu khí Việt Nam
Email: ngocpq@vpi.pvn.vn
Tóm tắt
Phương pháp nâng cao thu hồi dầu (Enhanced Oil Recovery, EOR) là giải pháp có thể gia tăng sản lượng dầu thu hồi, đặc biệt cho
các mỏ dầu có sản lượng khai thác bắt đầu suy giảm và độ ngập nước tăng. Nghiên cứu này tổng hợp nhiều dự án EOR đã áp dụng thành
công trên thế giới và áp dụng phương pháp phân tích nâng cao (như phân tích thành phần chính (PCA) và kỹ thuật phân cụm K-means
để “học kinh nghiệm”từ các dự án này), từ đó tìm ra các tiêu chí và giải pháp EOR phù hợp cho các mỏ dầu đang suy giảm tại Việt Nam.
Từ khóa: Nâng cao thu hồi dầu, phân tích dữ liệu, thuật toán nâng cao, PCA, K-means.
1. Giới thiệu
Các mỏ dầu đang hoạt động ở thềm lục địa Việt Nam
phân tích các dự án EOR đã áp dụng thành công trên thế
giới.
Bài báo giới thiệu kết quả nghiên cứu áp dụng thuật
toán khai phá dữ liệu không giám sát - gồm kỹ thuật phân
tích thành phần chính (Principal Component Analysis,
PCA) và kỹ thuật phân cụm dựa vào trị số trung bình (K-
means) - vào các dự án EOR thành công trên thế giới để
tìm ra các phương pháp EOR phù hợp cho các đối tượng
mỏ khác nhau tại Việt Nam. Nghiên cứu này phát triển
các module tính toán bằng ngôn ngữ lập trình mã nguồn
mở R và Python.
đều được phát triển và khai thác trong đá chứa cát kết
thuộc địa tầng Miocene, Oligocene và đá móng phong
hóa nứt nẻ trước Đệ tam. Các mỏ dầu này chủ yếu được
thiết kế khai thác ban đầu theo chế độ năng lượng tự
nhiên đàn hồi của dầu và khí hòa tan. Để nâng cao hệ số
thu hồi dầu, giải pháp bơm ép nước duy trì áp suất vỉa ở cả
2 đối tượng cát kết Miocene, Oligocene và đặc biệt móng
nứt nẻ trước Đệ tam đã được áp dụng. Công nghệ khai
thác thứ cấp - bơm ép nước - cho phép gia tăng đáng kể
thu hồi dầu so với khai thác sơ cấp đơn thuần - chỉ sử dụng
năng lượng tự nhiên của vỉa.
2. Tài liệu và phương pháp nghiên cứu
Dữ liệu phân tích trong nghiên cứu được thu thập từ
báo cáo khảo sát các phương pháp EOR (EOR survey) đã
Phương pháp nâng cao thu hồi dầu có thể áp dụng
ngay từ giai đoạn đầu đối với các mỏ có hệ số quét tự
nhiên thấp, không đủ tạo ra dòng chảy đến giếng khai
thác. Bơm ép khí, bơm ép hóa chất hay gia nhiệt… là
phương pháp cơ bản được thế giới áp dụng. Ở Việt Nam,
các giải pháp nâng cao thu hồi dầu bằng bơm ép thử
nghiệm chất hoạt động bề mặt, vi sinh, hóa lý đã được
tiến hành cho đối tượng cát kết mỏ Bạch Hổ.
Vi sinh
0,61%
Hóa phẩm
10,89%
Khí 40,8%
Nhiệt 47,7%
Để lựa chọn được phương pháp áp dụng và công
nghệ phù hợp mang lại hiệu quả kinh tế cao nhất cần
Ngày nhận bài: 19/11/2020. Ngày phản biện đánh giá và sửa chữa: 19 - 24/11/2020.
Ngày bài báo được duyệt đăng: 15/12/2020.
Hình 1. Tỷ lệ các dự án đã áp dụng EOR thành công trên thế giới
DẦU KHÍ - SỐ 12/2020
30
PETROVIETNAM
áp dụng thành công trên thế giới từ năm 1998 - 2014 của
“The Oil and Gas Journal” [1 - 8] và các công trình nghiên
cứu các dự án EOR trên thế giới lưu trữ tại cơ sở dữ liệu
của Hiệp hội Kỹ sư Dầu khí (SPE) OnePetro [9 - 11]. Các tài
liệu trên đã thống kê các thông số của mỏ/vỉa chứa với
tổng cộng 25 trường dữ liệu như: vị trí địa lý, loại vỉa chứa,
độ sâu, chiều dày vỉa, số lượng giếng khai thác, bơm ép,
thông số địa chất mỏ, thông số vật lý của chất lưu, độ bão
hòa, sản lượng khai thác, sản lượng gia tăng và các thông
số khác của hơn 1.000 vỉa chứa.
Hình 2 thể hiện sản lượng dầu gia tăng khi áp dụng
các phương pháp EOR.
Trong số các phương pháp phân tích dữ liệu bậc cao,
phương pháp phân tích thành phần chính PCA và phân
nhóm K-means có thể áp dụng cho cơ sở dữ liệu lớn và
cấu trúc phức tạp, đáp ứng được yêu cầu đặt ra.
3. Phương pháp phân tích và xử lý số liệu
3.1. Phương pháp phân tích thành phần chính (PCA)
Phân tích thành phần chính PCA là kỹ thuật thường
được sử dụng khi làm việc với các cơ sở dữ liệu nhiều
chiều, được sử dụng để xác định một không gian mới
với số chiều nhỏ hơn không gian gốc, thường là 2 hoặc 3
chiều để có thể dễ dàng trực quan hóa số liệu. Các trục tọa
độ của không gian mới sẽ được xây dựng sao cho độ biến
thiên trên mỗi trục tương ứng với phương sai của dữ liệu
trên đó là lớn nhất có thể.
Hình 1 mô tả tỷ lệ các phương pháp EOR đã áp dụng
thành công trên thế giới. Trong đó 3 phương pháp chính
là phương pháp gia nhiệt, bơm ép khí và bơm ép hóa
phẩm, còn lại là phương pháp vi sinh.
Các phương pháp gia nhiệt, gồm đốt cháy vỉa (com-
bustion) và bơm ép hơi nước nóng để gia nhiệt cho vỉa
chứa là phương pháp cho sản lượng gia tăng nhiều nhất.
Tuy nhiên, nghiên cứu này không đề cập phương pháp gia
nhiệt vì không phù hợp với điều kiện ở Việt Nam: các vỉa
chứa có độ sâu khai thác lớn nên nhiệt độ vỉa khá cao, từ
80 - 120 oC với trầm tích lục nguyên. Phương pháp này chỉ
phù hợp với các mỏ nông (độ sâu khai thác nhỏ) và ở các
vùng lạnh, độ nhớt dầu vỉa cao.
Các mục đích chính khi áp dụng kỹ thuật PCA gồm: (1)
Giảm số chiều của dữ liệu; (2) Trực quan hóa dữ liệu với các
dataset có nhiều chiều thông tin; (3) Chuyển đổi dataset
ban đầu với số chiều (biến) lớn thành dataset mới số chiều
ít hơn nhưng vẫn đảm bảo giữ lại nhiều thông tin nhất,
1000000
100000
10000
1000
100
1000000
100000
10000
1000
100
10
10
1
1
Hình 2. Sản lượng dầu gia tăng của các nước tương ứng với các phương pháp áp dụng
DẦU KHÍ - SỐ 12/2020
31
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
không ảnh hưởng đến độ chính xác của các mô hình dự
báo; (4) Xây dựng các thành phần chính mới bằng cách tổ
hợp tuyến tính các biến ban đầu; (5) Các thành phần chính
không có mối tương quan tuyến tính với nhau; (6) Khám
phá những thông tin mới mà có thể bị các chiều thông tin
cũ che mất.
phương sai theo một chiều nào đó là rất nhỏ, có thể bỏ
qua được mà không ảnh hưởng nhiều đến thông tin dữ
liệu (Hình 3).
Ma trận dữ liệu gốc X có D hàng và N cột tương ứng
với D đối tượng (quan sát) và N trường dữ liệu (biến). Phép
xoay trục liên hệ trực quan với hệ trực chuẩn và ma trận
trực giao như mô tả ở Hình 4. Mục đích của của PCA là đi
tìm ma trận trực giao U sao cho phần lớn thông tin được
giữ lại ở phần màu tím UKZ và phần màu đỏ UKY sẽ được
lược bỏ và thay vào bằng một ma trận không phụ thuộc
vào từng điểm dữ liệu.
Về mặt hình học, PCA là phương pháp đi tìm hệ cơ sở
trực chuẩn bằng một phép xoay sao cho trong hệ mới này
Phương pháp PCA được áp dụng để giảm số chiều
của tập dữ liệu gồm một số lượng lớn của các biến liên
quan. Các biến kém quan trọng được giảm bớt bằng cách
chuyển đổi dữ liệu vào không gian mới của các biến, các
thành phần chủ yếu (principal component, PC) trực giao
nhau (không tương quan) và được sắp xếp theo thứ tự
tầm quan trọng giảm dần.
e2
2
u1
u2
Kỹ thuật PCA xác định được các giá trị riêng và
phương sai từ ma trận tương quan của các biến ban đầu.
Thành phần chính là các biến không tương quan, thu
được bằng cách nhân các biến tương quan ban đầu với hệ
số tải nhân tố. Vì vậy, các thành phần chính được kết hợp
tuyến tính của các biến ban đầu. PC cung cấp thông tin về
các thông số có ý nghĩa nhất, trong đó mô tả toàn bộ dữ
liệu thiết lập dựng hình với việc giảm thiểu các thông tin
ban đầu. Đây là kỹ thuật mạnh áp dụng cho mô hình giải
thích sự thay đổi của một tập lớn các tương quan biến và
chuyển đổi thành một tập hợp nhỏ hơn của các biến độc
lập (thành phần chính).
1
e1
2
1
3.2. Phương pháp phân cụm K-means
Hình 3. Không gian dữ liệu gốc (e1, e2) với phương sai tương ứng là 1 và 2; không gian
Trong phương pháp K-means, nhãn của từng điểm
dữ liệu là không xác định. Phương pháp này sẽ phân tách
mới (u1, u2) với phương sai tương ứng là 1 và 2 [12, 13]
N
K
D - K
N
K
Z
=
=
×
ˆ
U
K
D U
D
X
K
D - K
Y
Ma trận dữ liệu gốc
Ma trận trực giao
K
Hệ tọa độ không gian mới
N
×
Y
×
K
+
Z
D U
ˆ
U
D
K
K
Hình 4. Kỹ thuật biến đổi ma trận trong PCA để xác định một không gian mới với các thành phần quan trọng nhất là K thành phần đầu tiên của ma trận [12]
DẦU KHÍ - SỐ 12/2020
32
PETROVIETNAM
dữ liệu thành các cụm (cluster) khác nhau sao cho dữ liệu
trong cùng một cụm có những tính chất giống nhau.
Hình 5 là ví dụ về dữ liệu được phân tách vào 3 nhóm.
Giả sử mỗi nhóm có một điểm tâm nhóm đại diện (cen-
troid) màu vàng và nhóm của mỗi điểm được xác định qua
việc gần với điểm đại diện nào nhất trong 3 điểm.
Một định nghĩa đơn giản của nhóm/cụm là tập hợp
các điểm có các vector đặc trưng gần nhau. Việc đo
khoảng cách giữa các vector thường được thực hiện dựa
trên khoảng cách giữa các vector trong một không gian
xác định, trong đó khoảng cách Euclidean, tức khoảng
cách trong không gian 2 chiều được sử dụng phổ biến
hơn cả.
K-means là thuật toán quan trọng và được sử dụng
phổ biến trong kỹ thuật phân cụm. Mục đích chính của
thuật toán K-means là tìm cách phân nhóm các đối tượng
đã cho vào K cụm (K là số các cụm được xác định trước, K
nguyên dương) sao cho tổng bình phương khoảng cách
giữa các đối tượng đến tâm nhóm là nhỏ nhất. Khoảng
cách giữa các điểm thường dùng là Euclidean, từ các điểm
tới tâm có thể dùng khoảng cách Manhattan.
q
q
q
(
)
=
(
+
+...+
)
(1)
1
2
2
1
Phương trình (1) là khoảng cách Minkowski tổng quát
trong đó: d là khoảng cách giữa 2 điểm; xi, xj là 2 điểm cần
tính khoảng cách; khi q = 1, khoảng cách Minkowski trở
thành khoảng cách Manhattan và q = 2 là khoảng cách
Euclidean.
Thuật toán K-means được thực hiện qua các bước
chính sau: (1) Chọn ngẫu nhiên K tâm (centroid) cho K
cụm trong đó mỗi cụm được đại diện bằng các tâm của
cụm; (2) Tính khoảng cách giữa các đối tượng đến K tâm;
(3) Phân tách các đối tượng vào cụm gần nhất; (4) Xác
định lại tâm mới cho các cụm; (5) Thực hiện lại bước 2 cho
đến khi không có sự thay đổi cụm nào của các đối tượng.
Hình 5. Phân tách nhóm K-means thành 3 cụm dữ liệu trong không gian 2 chiều [14]
Tiền xử lý dữ liệu
Làm sạch ma trận dữ liệu
Thống kê mô tả biểu đồ
Khai phá dữ liệu không giám sát
Chuẩn hóa ma trận dữ liệu
Xác định số phân cụm (K)
Xác định điểm trung tâm
Xây dựng không gian mới
Chuyển dữ liệu vào không gian mới
Tính khoảng cách từ điểm đến trung tâm
Phân cụm dựa trên khoảng cách ngắn nhất
Trực quan trong không gian mới
Phân cụm bằng PCA và K-means
Hình 6. Sơ đồ khai phá dữ liệu áp dụng thuật toán PCA và K-means
DẦU KHÍ - SỐ 12/2020
33
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
10 20 30 40 50 60
10
20
30
40
50 100 150 200 250 300
1
2
3
4
5
Độ sâu
0,68
0,44
0,66
0,75
0,81
0,68
0,83
Độ rỗng
0,58
0,41
0,40
0,79
0,62
0,29
0,37
0,38
Độ thấm
Tỷ trọng
0,92
Độ nhớt
0,54
0,31
Nhiệt độ
Độ bão hòa
Sản lượng khai thác
0
5000
10000 15000
0
2
3
4
-1
0
1
2
3
4
5
0
20 40 60
80
Hình 7. Phân bố các tham số chính và quan hệ tương quan: Depth (độ sâu), Por (độ rỗng), Perm (độ thấm), API (tỷ trọng), Visc (độ nhớt), Temp (nhiệt độ), Start_Stat (độ bão hòa)
và T_Prod_log (Logarit sản lượng khai thác).
Sơ đồ các bước thực hiện khai phá dữ liệu áp
dụng thuật toán PCA và K-means cho cơ sở dữ
liệu EOR trên thế giới thể hiện như Hình 6.
4. Kết quả và thảo luận
Thống kê mô tả tương quan các tham số
chính về bộ dữ liệu thu thập từ các mỏ áp dụng
EOR thành công trên thế giới thể hiện ở Hình 7.
Phân bố các tham số độ sâu (Depth), độ rỗng
(Por), độ thấm (Perm), tỷ trọng (API), độ nhớt
(Visc), nhiệt độ (Temp), độ bão hòa (Start_Sat) và
sản lượng khai thác (T_Prod_log) được thể hiện
trên đường chéo của Hình 7. Phía dưới đường
chéo là đồ thị mô tả quan hệ giữa các đại lượng
và hệ số tương quan Pearson của các đại lượng
biểu diễn ở các ô phía trên đường chéo tương
ứng. Theo đó, độ nhớt có tương quan cao với tỷ
trọng, hệ số tương quan là 0,92. Nhiệt độ cũng
tương quan cao với độ sâu, hệ số là 0,83. Ngược
lại, những đại lượng không tương quan với nhau,
hệ số tương quan rất nhỏ, thì không nhìn thấy
trên Hình 7.
Hình 8. Trực quan dữ liệu trong không gian 2 chiều kết hợp 2 phương pháp PCA và K-means: Depth (độ
sâu), Por (độ rỗng), Perm (độ thấm), API (tỷ trọng), Visc (độ nhớt), Temp (nhiệt độ), Start_Stat (độ bão
hòa) và T_Prod_log (Logarit sản lượng khai thác).
các trục thể hiện mức độ tương quan giữa các biến. Trục độ nhớt
(Visc) và trục độ rỗng (Por) có góc nhỏ và cùng chiều mũi tên, thể
hiện 2 biến này tương quan cao và là tương quan thuận. Ngược lại
trục độ tỷ trọng có chiều mũi tên ngược lại cho thấy tương quan
cao với độ nhớt và độ rỗng nhưng là tương quan nghịch.
Hình 8 biểu diễn trên không gian 2 chiều
thành phần chính PC1 và PC2 với các trục là 8
biến tham số như mô tả ở trên và các cụm được
phân nhóm bằng thuật toán K-means. Góc giữa
DẦU KHÍ - SỐ 12/2020
34
PETROVIETNAM
Các thông số và điều kiện của các mỏ ở
Việt Nam đã được tích hợp vào ma trận dữ
liệu và phân tích bằng phương pháp PCA và
K-means. Hình 9 biểu diễn trực quan dữ liệu có
tích hợp các mỏ ở Việt Nam trong không gian
3 chiều (PC1, PC2 và PC3). Hình 9 cho thấy các
mỏ đang quan tâm tại Việt Nam (hình thoi màu
đỏ) chủ yếu rơi vào phân nhóm 2 (màu xanh
nước biển).
5
Thế giới
4,5
Việt Nam
25
20
15
10
5
4
3,5
3
2,5
0
-5
2
1,5
1
Biểu diễn các phương pháp áp dụng thành
công và số lượng các dự án đã áp dụng thành
công trong phân nhóm 2 như Hình 10. Phân
tích nhóm 2 cho thấy hơn 100 dự án EOR trên
thế giới đã áp dụng thành công phương pháp
polymer hoạt tính bề mặt, polymer và hơi
nước. Như vậy, dựa trên kinh nghiệm các dự
án EOR thành công trên thế giới có thể nghiên
cứu để áp dụng 1 trong 3 phương pháp trên
ở Việt Nam, đặc biệt là phương pháp polymer
hoạt tính bề mặt hoặc polymer.
-10
-15
200
0
-20
-6000
-4000
-2000
-200
0
2000
4000
6000
8000
10000
12000
PC1
Hình 9. Áp dụng phương pháp PCA và K-means với các mỏ thế giới và Việt Nam (hình thoi màu đỏ)
trong không gian 3 chiều (PC1, PC2 và PC3)
Surfactant Polymer
Steam
5. Kết luận
Xác định các tiêu chí và phương pháp lựa
chọn cho một dự án EOR mới là công việc rất
quan trọng để có thể tìm ra được các giải pháp
EOR phù hợp và khả thi đối với từng đối tượng.
Nghiên cứu này đã thu thập các dự án EOR
thành công trên thế giới và tính chất mỏ tương
đồng với điều kiện địa chất - khai thác của Việt
Nam. Việc áp dụng thuật toán PCA và K-means
để học hỏi từ kinh nghiệm trên thế giới sẽ là
tiền đề cho các nghiên cứu sản phẩm công
nghệ và triển khai áp dụng thực tiễn cho các
mỏ dầu khí đang khai thác tại Việt Nam.
Polymer
Nitrogen Immiscible
Microbial
Hydrocarbon Miscible
Combustion
Lời cảm ơn
C02 Miscible
Nhóm tác giả trân trọng cảm ơn Viện Dầu
khí Việt Nam, Bộ Khoa học và Công nghệ hỗ
trợ nguồn lực và tài trợ kinh phí thực hiện
nghiên cứu này. Bài báo là một phần kết quả
nghiên cứu của đề tài khoa học và công nghệ
cấp Quốc gia “Nghiên cứu lựa chọn các giải
pháp công nghệ và thực nghiệm đánh giá các
tác nhân nâng cao hệ số thu hồi dầu cho đối
tượng trầm tích lục nguyên của các mỏ dầu
thuộc bể Cửu Long”mã số ĐTĐLCN.26/19.
C02 Immiscible
Alkaline Surfactant
Polymer
0
5
10
15
20
25
30
35
Số dự án EOR
Hình 10. Các dự án EOR và công nghệ tương ứng đã áp dụng thành công trên thế giới ở phân nhóm 2
DẦU KHÍ - SỐ 12/2020
35
CHUYỂN ĐỔI SỐ TRONG CÔNG NGHIỆP DẦU KHÍ
Tài liệu tham khảo
and Exhibition, San Francisco, California 5 - 8 October 1983.
DOI: 10.2118/12069-MS.
[1] Anonymous, “1996 worldwide EOR survey”, Oil &
Gas Journal, Vol. 94, No. 16, pp. 45, 1996.
[10] J.J. Taber, F.D. Martin, and R.S. Seright, “EOR
screening criteria revisited - Part 1: Introduction to
screening criteria and enhanced recovery field projects”,
SPE Reservoir Engineering, Vol. 12, No. 3, pp. 189 - 198,
1997. DOI: 10.2118/35385-PA.
[2] Anonymous, “1998 worldwide EOR survey”, Oil &
Gas Journal, Vol. 96, No. 16, pp. 59 - 77, 1998.
[3] Anonymous, “2002 worldwide EOR survey”, Oil &
Gas Journal, Vol. 100, No. 15, pp. 71, 2002.
[11] J.J. Taber, F.D. Martin, and R.S. Seright, “EOR
screening criteria revisited - Part 2: Applications and
impact of oil prices”, SPE Reservoir Engineering, Vol. 12, No.
3, pp. 199 - 206, 1997. DOI: 10.2118/39234-PA.
[4] Anonymous, “2004 worldwide EOR survey”, Oil &
Gas Journal, Vol. 102, No. 14, pp. 53 - 65, 2004.
[5] Anonymous, “2006 worldwide EOR survey”, Oil &
Gas Journal, Vol. 104, No. 15, pp. 45 - 57, 2006.
[12] T.M. Mitchell, Machine learning. New York:
McGraw-Hill Education, 1997.
[6] L. Koottungal, “2010 worldwide EOR survey”, Oil &
Gas Journal, Vol. 108, No. 14, pp. 41 - 53, 2010.
[13] S. Misra, H. Li, and J. He, Machine learning for
subsurface characterization. San Diego: Gulf Professional
Publishing, 2019.
[7] L. Koottungal,“2012 Worldwide EOR Survey”, Oil &
Gas Journal, pp. 57 - 69, 2012.
[14] J. Shawe-Taylor and N. Cristianini, Kernel methods
for pattern analysis. Cambridge University Press, 2004.
[8] L. Koottungal, “2014 worldwide EOR survey”, Oil
and Gas Journal, 2014.
[9] J.J. Taber, “Technical screening guides for the
enhanced recovery of oil”, SPE Annual Technical Conference
APPLICATION OF UNSUPERVISED DATA MINING ALGORITHMS TO
SELECT EOR SOLUTIONS FOR DEPLETED OILFIELDS
Pham Quy Ngoc, Doan Huy Hien, Hoang Long
Vietnam Petroleum Institute
Email: ngocpq@vpi.pvn.vn
Summary
Enhanced oil recovery (EOR) provides a solution to increase oil production, especially in cases where the reservoirs have high water cut
and declining oil production rate. This study involves the collection of numerous successful EOR projects throughout the world and application
of advanced data mining techniques such as principal component analysis (PCA) and K-means clustering to learn from the experiences of
these projects, and on that basis find suitable criteria and EOR solutions for depleted oil fields in Vietnam.
Key words: EOR, data analysis, advanced algorithms, PCA, K-means.
DẦU KHÍ - SỐ 12/2020
36
7 trang
16/04/2022
1340
Bạn đang xem tài liệu "Nghiên cứu áp dụng các thuật toán khai phá dữ liệu không giám sát để lựa chọn giải pháp nâng cao hệ số thu hồi dầu cho các mỏ dầu đang suy giảm sản lượng", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- nghien_cuu_ap_dung_cac_thuat_toan_khai_pha_du_lieu_khong_gia.pdf
