محاسبه تخمین شکنندگی سنگ به وسیله روش های یادگیری ماشین

شکنندگی مخازن، یک خصوصیت مهم در زمین مکانیک نفت و گاز است که معمولا از طریق مغزه ها یا لاگ های صوتی تخمین زده می شود. در این تحقیق، یک رویکرد مبتنی بر داده را ارائه می دهیم تا از طریق یادگیری ماشین، شکنندگی را از لاگ های رایج و به صرفه که به راحتی در دسترس هستند، پیش بینی کنیم. استراتژی ما برای پیش بینی شکنندگی با استفاده از لاگ های گاما، تخلخل نوترون، چگالی، مقاومت صوتی، و از روش های تقویت گرادیان (GB)، رگرسیون بردار پشتیبانی (SVR)، شبکه های عصبی (NN) و Catboost می باشد. زمانی که لاگ های صوتی برشی و فشاری در دسترس نباشند، این لاگ ها را از لاگ های معمولی ترکیب کرده و برای تخمین شکنندگی به کار ببریم. عملکرد مدل های ارائه شده به عنوان معیارها در پیاده سازی این استراتژی در مجموعه آزمایشی شامل تقویت گرادیان (۰.۹۴)، رگرسیون بردار پشتیبانی (۰.۹۴)، Catboost (۰.۹۴) و شبکه های عصبی (۰.۹۳) می باشد. این روند مطالعه می تواند برای پیش بینی خواص دیگر مخزن با استفاده از لاگ های موجود به کار رود. همچنین، می تواند برای تشخیص ناهمگونی مخزن از اثرات لرزه ای که توسط لاگ های مرتبط با چاه آموزش دیده شده استفاده گردد. علاوه بر این، این روش می تواند به عنوان یک ابزار موثر در پیش بینی ویژگی های دیگر مخزن نیز مورد استفاده قرار گیرد. با بهره گیری از لاگ های موجود، می توان به تخمین خواص مانند نفوذپذیری، حجم مخزن، و تراوایی نیز پرداخت. همچنین، این روش می تواند در شناسایی مناطق با پتانسیل بازیابی بالا یا ریسک های مرتبط با بهره برداری نفت و گاز موثر باشد. با توجه به دقت و عملکرد موثر مدل های یادگیری ماشین در این تحقیق، این روش می تواند به شرکت های نفتی در تصمیم گیری های استراتژیک مرتبط با بهره برداری از مخازن نفت و گاز کمک فراوانی کند.

Keywords:

Machine learning , Conventional reservoir , Brittleness , Reservoir property estimation