ارائه مدلی هوشمند بر مبنای شبکه عصبی حافظه بلند مدت کوتاه مدت برای پیش بینی اشباع آب از نگاره های متداول

این مطالعه جهت تعیین اشباع آب در مخازن هیدروکربنی، به عنوان یک پارامتر کلیدی برای ارزیابی کیفیت سنگ مخزن ، تخمین حجم هیدروکربن درجا، و تعیین فواصل تولیدی صورت گرفته است. علیرغم استفاده رایج از معادله آرچی در مقیاس میدانی برای پیش بینی اشباع آب، محدودیت های آن، به ویژه در مخازن کربناته تنگ، چالش ها و خطاهای غیرقابل اجتنابی را ایجاد می کند. با بهره گیری از داده های گزارش چاه نگاری از سه چاه گازی در مخازن کربناته جنوب ایران، ما یک مدل هوشمند مبتنی بر یک شبکه عصبی حافظه بلندمدت کوتاه مدت ( LSTM ) طراحی و پیشنهاد کرده ایم. این مدل از نگاره های متداول به عنوان ورودی جهت پیش بینی مقادیر اشباع آب بدست آمده در آزمایشگاه استفاده می کند. در طراحی شبکه عصبی LSTM پیشنهاد شده، با تخصیص ۷۰ % داده ها برای آموزش، ۱۵ % برای آزمایش و ۱۵ % برای اعتبارسنجی، در ابتدا مراحل پیشپردازش داده، و انتخاب ویژگی طی شده و سپس به ساخت و بهینه سازی شبکه عصبی مدنظر پرداخته می شود. مدل پیشنهادی با بدست آوردن مقدار ضریب تعیین ۰.۹۹ ، ۰.۹۷ و ۰.۹۴ به ترتیب برای مجموعه های آموزش، آزمایش و اعتبارسنجی، توانایی خود در تعیین دقیق اشباع آب را تصدیق می کند. این نتایج مهر تاییدی بر پتانسیل بالای مدل هوشمند پیشنهادی در تعیین دقیق اشباع آب آزمایشگاهی بوده، و بر امکان استفاده مناسب از مدل های یادگیری ماشین و یادگیری عمیق در ارزیابی و مدیریت مخزن تاکید می کند .

Keywords:

اشباع آب , چاه پیمایی , نگاره های متداول , یادگیری عمیق , شبکه عصبی حافظه بلند مدت کوتاه مدت