تخمین شکنندگی به وسیله روش های هوشمند

شکنندگی یک ویژگی مهم ژئومکانیکی مخازن است که معمولا از مغزه ها یا لاگ های صوتی که تخمین زده می شود. در این مطالعه، روشی مبتنی بر داده را ارائه می کنیم تا شکنندگی را از لاگ های متداول که ارزان تر و به آسانی در دسترس هستند با استفاده از یادگیری ماشین پیش بینی کنیم. ما استراتژی را برای پیش بینی شکنندگی با استفاده از لاگ های گاما، تخلخل نوترون، چگالی، مقاومت صوتی و با استفاده از تقویت گرادیان (GB)، رگرسیون بردار پشتیبانی (SVR) و شبکه های عصبی (NN) و Catboost پیشنهاد می کنیم. به این صورت که در زمانی که لاگ های صوتی برشی و فشاری در دسترس نباشند این لاگ ها را از لاگ های متداول سنتز کنیم و برای تخمین شکنندگی استفاده کنیم. عملکرد مدل های داده شده به عنوان در استقرار در مجموعه آزمایشی برای این استراتژی عبارتند از: تقویت گرادیان برای (۰.۹۴)، رگرسیون بردار پشتیبانی (۰.۹۴) Catboost(۰.۹۴) و شبکه های عصبی (۰.۹۳). گردش کار در این مطالعه می تواند برای پیش بینی سایر خواص مخزن از لاگ های موجود استفاده شود. این کار همچنین می تواند برای مشخص کردن ناهمگونی مخزن از آثار لرزه ای آموزش داده شده توسط لاگ های مربوط به چاه استفاده شود.

Keywords:

Machine learning , Conventional reservoir , Brittleness , Reservoir property estimation