کاربرد شبکه عصبی مصنوعی در تخمین یکی از پارامترهای بحرانی ارزیابی کیفیت مخازن

تخمین دقیق پارامترهای مخزنی مانند تخلخل برای تعیین خصوصیات مخزن، ارزیابی حجم نفت و فاز تصمیم گیریکلیدی هستند. این پارامتر می تواند از طریق تفسیر نگارهای پتروفیزیکی یا آنالیزهای مغزه با صرف هزینه قابل توجه بدستآید. اما ممکن است تمام چاه های یک میدان مغزه گیری نشده باشند یا تعداد چاه هایی که فرآیند مغزه گیری بطور کامل درآنها اجرا شده است محدود باشند. بنابراین استفاده از روش های نوین و هوشمند مانند شبکه عصبی مصنوعی که بتوانند باارائه نتایجی دقیق و قابل اطمینان خصوصیات حیاتی ارزیابی کیفیت مخزن را در میادین مورد مطالعه تخمین بزنند، می توانندگامی مهم در راستای اکتشاف منابع هیدروکر بنی ایفا نمایند. بنابراین برای افزایش دقت تخمین این پارامتر در سازند کشف روددر میدان گازی خانگیران، رویکردی بر اساس شبکه عصبی مصنوعی به اجرا در آمد. برای اجرای یک شبکه پرسپترون چندلایه ای شبکه عصبی مصنوعی، با استفاده از یک الگوریتم زمین آماری تعداد داده های آزمایشگاهی بدست آمده برای تخلخلبه ۶۸۶ داده افزایش یافت. فرآیند تخمین توسط دو دسته متفاوت از داده های ورودی اجرا شد. در رویکرد اول، تمام داده هاینگارهای پتروفیزیکی به عنوان ورودی ا نتخاب شدند. در رویکرد دوم، بر اساس نتایج ماتریس همبستگی پیرسون برخی ازنگارها ملاک انتخاب قرار گرفتند که نتایج حاکی از بهبود قابل توجهی در اعداد بدست آمده بود. نهایتا شبکه پرسپترون چند لایه ای بهینه با توپولوژی ۱-۷-۶ برای تخمین تخلخل با میانگین مربعات خطا ۲.۷۸۷×۱۰(-۴) انتخاب شد. شبکه های پرسپترون چند لایه ای نشان دادند که توانایی بهبود نتایج را به طور قابل ملاحظه ای تا % ۹۹ دارند. با وجود مقادیر بالایخطای محاسبات پارامتر مخزنی مورد مطالعه از طریق روش های سنتی پتروفیزیکی، با بهره گیری از روش های نوین مانندیادگیری ماشین مهندسین می توانند انتظار بهبود قابل توجه در نتایج تخمین پارامترهای مخزنی را داشته باشند.

کلیدواژه ها:

ارزیابی سازند ، پارامترهای مخزنی ، یادگیری ماشین ، شبکه عصبی مصنوعی ، سازند کشف رود.