ارزیابی توابع کرنل در پیش بینی پتانسیل اولیه چاه در میدان های گازی با روش رگرسیون بردار پشتیبان

Publish Year: 1400
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 209

This Paper With 12 Page And PDF and WORD Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

EARTHSCI02_061

تاریخ نمایه سازی: 15 فروردین 1401

Abstract:

پیش بینی پتانسیل اولیه ی تولید در چاه های حفر شده در مخازن نفت و گاز اهمیت به سزایی در ارزیابی سیستم تولید و تخمین عملکرد مخزن دارد. روش های یادگیری ماشین مبتنی بر بردارهای پشتیبان قابلیت های مناسبی در زمینه ی تخمین مدل فضایی پارامترهای مجهول در میدان های گازی نشان داده اند. با این حال، انتخاب تابع کرنل مناسب مسئله ای چالش برانگیز در زمینه ی اجرای ماشین های بردار پشتیبان است که به طرز معنی داری عملکرد این الگوریتم ها را تحت تاثیر قرار می دهد. از این رو، در این مقاله عملکرد توابع کرنل متداول جهت اجرای رگرسیون بردار پشتیبان (SVR) شامل توابع کرنل خطی، چندجمله ای (درجه ۳)، و شعاعی پایه (RBF) مورد ارزیابی قرار گرفته است. مجموعه داده های پتانسیل اولیه ی گاز مشاهده شده در ۱۲۰ چاه حفر شده در یک میدان گازی در ویرجینیای غربی، واقع در ایالات متحده ی آمریکا به عنوان مطالعه ی مورد انتخاب شده است. مختصات طول و عرض جغرافیایی دهانه ی چاه ها به عنوان متغیرهای پیشگو و پتانسیل اولیه ی گاز چاه ها به عنوان متغیر وابسته انتخاب شده-اند. با تقسیم بندی تصادفی داده ها به صورت ۷۰% داده های آموزشی و ۳۰% آزمایشی، الگوریتم SVR با چهار تابع کرنل انتخابی اجرا شده است. صحت عملکرد توابع کرنل با استفاده از پارامترهای مجذور میانگین مربع خطا (RMSE) و ضریب تبیین رگرسیون R^۲ ارزیابی شده است. نتایج نشان داده اند که کرنل RBF از نظر تخمین صحیح چاه های آموزشی و آزمایشی و نیز در مدل سازی تغییرات پتانسیل اولیه در چاه های آزمایشی به سایر توابع کرنل برتری معنی دار داشته است، به نحوی که منجر به RMSE=۵۶۱ و R^۲=۰.۱۳۲ برای تخمین کل مقادیر تولید اولیه در چاه ها شده است. در این میان، تابع سیگموئید نیز به شکل معنی-داری عملکرد ضعیف تری نسبت به سایر توابع آشکار کرده است (RMSE=۶۴۲ و R^۲=۰.۰۱۳). نتایج مقاله، موثر بودن استفاده از کرنل RBF را در مدل سازی توزیع فضایی دوبعدی پارامترهای مجهول در چاه های نفت و گاز به اثبات می رساند.

Keywords:

پتانسیل اولیه , یادگیری ماشین , رگرسیون بردار پشتیبان (SVR) , توابع کرنل.

Authors

زینب سلطانی

دانشجوی دکتری دانشکده مهندسی معدن، دانشگاه صنعتی امیرکبیر، تهران، ایران

حسین حسنی

دانشیار دانشکده مهندسی معدن، دانشگاه صنعتی امیرکبیر، تهران، ایران