عباس سلحشور - مهندسی صنایع/ دانشکده مهندسی صنایع/ دانشگاه ایوانکی
احمد گایئنی - دانشکده ی مهندسی صنایع، مهندسی صنایع، دانشگاه ایوانکی
علیرضا شاهین - دانشکده ی علوم، زمین شناسی، دانشگاه اصفهان
مصیب کمری - مهندس ارشد پتروفیزیک / شرکت ملی مناطق نفت خیز جنوب

تعیین گونه ­های سنگ در ساخت مدل استاتیک و پویای مخازن هیدروکربنی از اهمیت ویژه ­ای برخوردار می ­باشد. تخمین دقیق خواص سنگ ­های مخزنی، باعث افزایش دقت و صحت در پیش ­بینی میزان ذخیره مخزن و عملکرد آن می­شود. تاکنون مدل­ های متعددی برای تعیین گونه­ های سنگ­های مخزن توسط متخصصین پیشنهادشده است؛ اما اکثر مدل ­های پیشنهادی بر اساس روش ­های متداول مدل محور مهندسی و زمین­ شناسی سنگ ­های مخزنی کربناته استوار بوده است. بنابراین استفاده از یک روش یادگیری ماشین برای تعیین گونه­ های سنگی در مقایسه با روش­ های پیشین و مقایسه کارایی و عملکرد آن با سایر روش­ها ضروری به نظر می­رسد. در این مطالعه داده­ های مغزه و لاگ در مخزن نفتی مارون پس از آماده­سازی، با استفاده از تکنیک سری های زمانی پویا (DTW) هم عمق سازی شده­اند. سپس داده ­های مغزه توسط روش­ یادگیری ماشین غیر نظارتی کی-میانگین خوشه­ بندی شدند. همچنین فرآیند خوشه ­بندی داده­ های مغزه توسط روش ­های متداول مدل محور از قبیل روش شاخص منطقه جریانی (FZI) و وینلند نیز انجام گردید. در ادامه نتایج خوشه ­بندی با استفاده از روش­­های کی-میانگین، شاخص منطقه جریانی و وینلند با در اختیار داشتن اطلاعات لیتولوژی لاگ ­ها صحت سنجی شده و با یکدیگر مقایسه شده است. روش کی-میانگین با معیار صحت­ سنجی ۹۳.۵ درصد، موفق به انجام بیشترین تفکیک ­پذیری خوشه­ ها شد که نشان داد روش یادگیری ماشین مبتنی بر داده کی-میانگین، جایگزین مناسبی برای روش ­های متداول مدل محور برای خوشه­ بندی گونه ­های سنگی می­ باشند.

خوشه بندی, مخزن, گونه سنگی, لاگ, هم عمق سازی, مغزه