在这项工作中,研究了在非常规油藏的单井二氧化碳(CO2)吞吐(HnP)过程中最大化净现值(NPV)以有效估计生命周期生产优化的最佳设计变量.使用基于Bakken地层油成分的合成非常规油藏模型.该模型考虑了天然裂缝和地质力学效应.确定性(基于单个油藏模型)和稳健(基于一组油藏模型)生产优化策略都被考虑在内.CO2的注入速率、生产井底压力(BHP)、HnP工艺每个循环的注入持续时间和生产周期以及预定生命周期时间的循环长度都可以包含在优化设计(或井控)变量.在优化过程中,NPV由机器学习(ML)代理模型计算,该模型经过训练可以准确逼近将通过油藏模拟器运行计算的NPV.与ML算法类似,我们同时使用最小二乘(LS)支持向量回归(SVR)和高斯过程回归(GPR).通过用一个商业组分模拟器模拟混相CO2HnP过程并进行了一组前向模拟,选择了一个基于ML方法的构建代理.有了代理模型,我们直接在迭代采样细化优化算法中使用它来优化设计变量.作为一种优化工具,在这种迭代采样细化优化算法中使用了顺序二次规划(SQP)方法.将基于ML代理的优化方法的计算效率与基于常规随机单纯形近似梯度(StoSAG)的方法的计算效率进行比较.我们的结果表明,基于LS-SVR和GPR的代理模型在CO2HnP过程优化中近似NPV是准确和有用的.结果还表明,GPR和LS-SVR方法表现出非常相似的收敛速度,但GPR需要比LS-SVR多10倍的计算时间.然而,探地雷达比LS-SVR更灵活,可以访问NPV预测中的不确定性,因为它考虑了 GPR模型的协方差信息.两种基于ML的方法都被证明在生产优化方面非常有效,与直接在梯度上升算法中从高保真合成模拟器计算的随机梯度相比,显着节省了计算时间(效率至少提高了4倍).据我们所知,这是第一项针对可混溶CO2HnP的生产优化问题对两种不同的基于ML代理的优化方法与基于StoSAG的传统优化方法进行全面审查和比较的研究.