کاربرد مدل های هوشمند در تعیین فشار منفذی مخازن هیدروکربوری

در روش های لرزه ای تخمین فشار منفذی با تبدیل سرعت لرزه ای به فشار منفذ و نهایتا مقایسه با فشار بدست آمده حین برنامه آزمایش چاه بدست می آید و نتایج از مدلهای زمین آماری یا هوشمند مانند شبکه عصبی مصنوعی تعیین می شود. شبکه عصبی مصنوعی ANN که اولین بار نیم قرن پیش معرفی شد، روشی است که می تواند توانایی دریافت سیگنال و پاسخ های مناسب شبکه عصبی بیولوژیکی را شبیه سازی کند و در زمینه های بی شماری از جمله صنعت نفت مورد استفاده قرار می گیرد و مدل ANN طبق ویژگی های خود می تواند چندین ورودی داشته باشد و نیازی به رابطه فرمولاسیونی دقیق بین ورودی ها (مانند زمان انتقال فاصله ، مقاومت ، هدایت الکتریکی و اشعه گاما و غیره) و خروجی ها ندارد و می تواند تا آنجا که ممکن است فشار غیر طبیعی را تحت تاثیر قرار دهد یا آن را نشان می دهد. ۱۰ و ۴ داده ها به سه دسته ی آموزش، اعتبارسنجی و آزمایش تقسیم می شوند. اگر فرایند آموزش خیلی طولانی باشد، بیش برازش پدید میآید یعنی شبکه خیلی به داده های آموزش حساس میشود و اگر داده های جدید کمی متفاوت باشند، نتیجه ی دقیقی حاصل نمی شود. به همین دلیل. یک نوع جدید از پیش بینی فشار منفذی با استفاده از توانایی یادگیری قدرتمند شبکه عصبی به صورت پس انتشار BP با استفاده از داده هایی مانند چگالی سازند و داده حاصل از نگار چگالی می توان از شبکه عصبی مصنوعی جهت مدلسازی هوشمند فشارهای سازند بهره برد. روش های دیگری نیز مانند شبکه های عصبی رگرسیون کلی ، احتمالی و پیش رو چند لایه در مطالعات فشار منفذی مورد استفاده قرار می گیرند که نتیجتا جهت انتقال داده ها از چاه به خطوط لرزه ای، مرحله اعتبارسنجی انجام می شود که بوسیله آن تعداد بهینه نشانگرها انتخاب می شوند

Keywords:

فشار منفذی , نشانگر های لرزه ای , شبکه عصبی مصنوعی نفتی , عملکرد فعال سازی , اعتبار سنجی داده ها