کاربرد مدل های پیشرفته یادگیری ماشین جهت پیش بینی رخساره های سنگی در یکی از میدان های نفتی جنوب ایران

هدف از این مطالعه استفاده از یادگیری ماشینی نظارت شده برای طبقه بندی رخساره های سنگی از لاگ های ژئوفیزیکی در چاه های بدون نمونه حفاری می باشد. برای این منظور از مجموعه داده چاه نگاری ۷ چاه آموزشی یکی از میدان های نفتی جنوب ایران که شامل نگاره گاما طبیعی(SGR)، نگاره گاما اصلاح شده (CGR)، چگالی(RHOB) ، تخلخل نوترونی(NPHI)، کندی موج برشی(DTSM) و کندی موج طولی(DTCO) که مستقیما در تعیین رخساره های ژئومکانیکی تاثیر دارند به عنوان داده های مستقل و واحدهای طبقه بندی شده رخساره بعنوان متغیر وابسته استفاده شده است. این مجموعه داده از عمق ۳۰۰۰ تا ۴۰۰۰ هزار متری زمین مربوط به سازند های آهکی ایلام و سروک (آهک بنگستان) تشکیل شده است. در مرحله اول این سازندها بوسیله روش های خوشه بندی هوش مصنوعی و مطالعات آزمایشگاهی به ۵ رخساره تفکیک شده است. بعد از این مرحله از ۸ روش یادگیری ماشین نظارت شده شامل Regression Logistic،K Nearest Neighbors ،Decision Tree ، Random Forest ، Gaussian NB، Gradient Boosting، Extra Trees و SVM جهت ساخت یک مدل مناسب بکار گرفته شد. مجموعه داده این چاه ها بوسیله هر یک از این الگوریتم ها مراحل آموزشی و آزمایشی جهت ساخت یک مدل مناسب بکار گرفته شد و برچسب های رخساره ها پیش بینی شد. جهت ارزیابی عملکرد مدل ها از چندین معیار ارزیابی شامل Accuracy،Precision ، F۱-SCORE، و Recall بوسیله ماتریس درهم ریختگی و نمودارهای ROC استفاده شده است. از بین روش های مذکور الگوریتم Extra Trees Classifier، Gradient Boosting، K-Nearest Neighbors نتایج بهتری را نشان داده اند. در نهایت، عملکرد مدل جهت پیش بینی رخساره های سنگی چاه خارج از مدل یا چاه دیده نشده ارائه شده است.

کلیدواژه ها:

رخساره های سنگی ، Classifier Trees Extra F۱-SCORE ، Classifier Gradient Boosting ، Classifier Forest Random ، ماتریس درهم ریختگی ، نمودارهای ROC