محاسبه ی مدول داینامیک یانگ با استفاده تولید لاگ شبه صوتی از سنتز لاگ صوتی از لاگ های متداول abstract
برآورد تنشهای درجا در کاربردهای بسیار مهمی در صنعت نفت و گاز داردبسیار مهم است. داشتن اطلاعات انش قبلی از
تنش های درجا در طراحی عملیات شکست هیدرولیکی در مخازن متعارفمعمولی و غیر متعارف ضروری است. تخمین تنشهای درجا مستلزم آگاهی از مدول استاتیک یانگ سنگ می باشد . مدول استاتیک یانگ را میتوان با استفاده با اندازه گیری مدول یانگ برروی مغزه های واقعی در آزمایشگاه تعیین کرد که از تکنیکهای گرانقیمت استمدول استاتیک یانگ را می توان با استفاده از تکنیک های گران قیمت با اندازه گیری مدول یانگ بر روی مغزه های واقعی در آزمایشگاه تعیین کرد. سپس از مقادیر آزمایشگاهی برای همبستگی مقادیر مدول دینامیکی به دستبهدست آمده از لاگ ها استفاده می شود. لاگ های مربوط به چاه ها تفسیر می شوند تا خواص پتروفیزیکی و ژئومکانیکی درجا، که برای تعیین خصوصیات زیرسطحی ضروری است، تخمین زده شود.بزنند. لاگ های متداول که در اکثر چاه ها اجرا میشوند مربوط شامل لاگبه چاه های خاص مانند گاما، مقاومت، چگالی و نوترون ، به عنوان لاگ های متداول که در اکثر چاه ها اجرا می شوند، در نظردرنظر گرفته می شوند. اما لاگهای رزونانس مغناطیسی هستهای، پراکندگی دی الکتریک، طیفسنجی عنصری و لاگهای صوتی به صورت محدود و معدود در بعضی چاه ها گرفته میشود لاگ های چاه دیگر، مانند رزونانس مغناطیسی هستهای، پراکندگی دی الکتریک، طیفسنجی عنصری و لاگهای صوتی، تنها در تعداد محدودی از چاه ها اجرا میشوند. هدف از این مقاله، ارائه ایجاد یک مدل هوشمند ک است، که بتواندمستقیما از داده های لاگهای متداول مقادیر دینامیکی مدول یانگ
مدول دینامیکی یانگ را در زمانی که لاگهای صوتی در دسترس دردسترس نباشند، با استفاده از تقویت گرادیان (GB)، جنگل تصادفی (Random Forest) و شبکه ی عصبی (NN) محاسبه کند.. عملکرد مدلهای داده شده به عنوان R^۲ برای DTC عبارتند از: تقویت گرادیان برای CatBoost (۰.۹۵۰۲ (، تقویت گرادیانبرای XGBoost (۰.۹۴۶۴ ( جنگل تصادفی ) ۰.۹۴۷۳ ( و شبکه ی عصبی ) ۰.۹۴۳۴ ( و برای DTS ، تقویتگرادیان برای CatBoost (۰.۹۳۵۰ (، تقویت گرادیان برای XGBoost (۰.۹۳۲۱ ( جنگل تصادفی( ۰.۹۲۸۴ ( و شبکه ی عصبی ) ۰.۹۱۱۶ ( می باشد