حمید قالیباف محمدآبادی - Ferdowsi University of Mashhad
ناصر حافظی مقدس - Ferdowsi University of Mashhad
غلامرضا لشکری پور - Department of Geology, Faculty of Science, Ferdowsi University of Mashhad Mashhad, Iran
رئوف غلامی - Department of Energy Resources at University of Stavanger
حسین طالبی - Southern Oilfields Company

در این تحقیق از روش یادگیری بدون نظارت جهت تعیین واحد های ژئومکانیکی در یکی از چاههای نفتی جنوب ایران با استفاده از لاگ های داده های چاه نگاری شامل نگاره گاما طبیعی(SGR) ، نگاره گاما اصلاح شده(CGR)، چگالی(RHOB)، تخلخل نوترونی(NPHI)، زمان موج برشی(DTSM) و زمان موج طولی (DTCO) استفاده شده است. برنامه نویسی مورد نیاز در محیط پایتون انجام گرفته است. در این راستا ابتدا بعد از پردازش داده های چاه نگاری از دو الگوریتم محبوب قدرتمند نظارت شده یادگیری ماشین ایکس جی بوست (XGBoost) و شبکه عصبی پرسپترون چند لایه (Multi-Layer Perceptron Neural Network) جهت بازیابی داده های گمشده استفاده گردید. سپس از روشهای بدون نظارت یادگیری ماشین شامل مدل k- میانگین (K-Means Clustering)، الگوریتم خوشه بندی سلسله مراتبی(HAC)، الگوریتم خوشه بندی DBSCAN مبتنی بر غلظت، و مدل آمیخته گوسی (Gaussian Mixture Modelling) جهت تعیین واحد های ژئومکانیکی مخزنی پر فشار، آهکهای نارک لایه و غیرمخزنی مسئله دار استفاده شد. در این روش ها الگوریتم ها خود الگوهای زیر سطحی را با استفاده از داده ها شناسایی می کنند که ممکن است به راحتی در طول کاوش داده قابل مشاهده نباشند. معیار ارزیابی دقت روش دقت در شناسایی آهک های نازک لایه، سازندهای غیر مخزنی مسئله دار و افق های پر فشار سازند های مورد مطالعه در نظر گرفته شد. نتایج مطالعات نشان داد که از بین روش های مورد مطالعه روش GMM به جای اینکه بر اساس فاصله باشد، مبتنی بر توزیع است و از مرزهای خوشه/تصمیم بیضی استفاده می کند. بنابراین، منجر به طبقه بندی نرم تری می شود. علاوه براین، بخاطر قرار دادن الگوهای احتمالاتی مختلف برای شناسایی واحد های ژئومکانیکی، روشی بهتر جهت تعیین واحدهای مخزنی پر فشار ایلام، سروک و آهکهای نازک لایه می باشد.

Machine Learning, Supervised machine learning, Unsupervised Machine Learning, K Means Clustering Modelling, Gaussian Mixture Modelling, XGBoost Algorithm