پیشبینی تراوایی به کمک شبکه عصبی مصنوعی

تراوایی یکی از مهمترین این خواص است که به صورت یک مسأله اساسی برای مهندسین نفت باقی مانده است .اطلاعات مربوط به سنگ متخلخل مخزن به ویژه تراوایی، به مهندسین نفت توانایی طراحی ومدیریت مؤثر جهت توسعه میدان های نفت و گاز را می دهد. یک روش جایگزین برای روش مدل کردن پارامتری، استفاده از شبکه های عصبی مصنوعی میباشد .در سال های اخیر، شبکه های عصبی به عنوانابزارهای قدرتمندی برای مدل کردن سیستم های پیچیده مطرح شده اند .این شبکه ها روش های تحلیل بدون الگوریتم داده های حجیم آنالوگ را میسر می سازند .از آنجا که تحلیل داده ها و آموزش این شبکهها به صورت موازی و توزیع شده انجام می گیرد، آنها توانایی تشخیص روابط بسیار پیچیده بین متغیرهای متعدد ارائه شده به شبکه را دارند .هدف این کار ایجاد ارتباط بین عمق سنگ، تخلخل به دست آمده ازلاگ و تراوایی حاصل از تحلیل مغزه و استفاده از رابطه مذکور جهت پیش بینی مقادیر تراوایی در چاههایی که مغزه گیری انجام نشده است، می باشد. تعیین تراوایی سنگ و توزیع آن در یک مخزن هیدروکربنیناهمگن، مسال های بدون راه حل مشخص و مستقیم است. تا به امروز، محققان بسیاری تلاش کرد هاند تا روابط پارامتری بین تراوایی و ویژگی هایی از مخزن هیدروکربنی که مستقیما قابل اندازه گیری هستند، مانندتخلخل و عمق بیابند. هرچند به علت طبیعت بسیار پیچیده مساله، روابط ارایه شده دقیق و قابل اعتماد نیستند. تلاش هایی برای استفاده از شبکه های عصبی مصنوعی در تشخیص رابطه ای که بین تراوایی وتخلخل و عمق یک مخزن وجود دارد صورت پذیرفته است . در این مطالعه، الگوریتم لونبرگ -مارکوارت برای تخمین تراوایی یک مخزن هیدروکربنی در ایران به کار گرفته شده است . با انجام سه تست در مراحل آموزش ، تایید و آزمون به کمترین خطا نسبت به دادهای اصلی خواهیم رسید. که با توجه به نتایج آزمایش حدود 87 درصد با یکدیگر تطابق دارند