استفاده از روش شبکه های عصبی مصنوعی برای پیش بینی تراوایی

نفوذپذیری یکی از ویژگیهای بسیار مهم مخازن نفتی است که قابلیت انتقال سیالاتی مانند نفت، گاز و یا آب را در فضاهای خالی موجود درسنگ مخزن نشان میدهد. تعیین نفوذپذیری در فرآیندهایی چون برآورد ذخیره، تولید و توسعهی مخازن نفتی، جایگاه خاصی دارد. درصنعت نفت روش استاندارد برای تعیین نفوذپذیری، آنالیز مغزه ، آزمایش چاه و روابط تجربی است. اخیرا از روشهای جدیدتری مثل سیتی-اسکن برای به دست آوردن پارامتر مذکور استفاده شده است. یعنی قبلا از روشهای آزمایشگاهی (مثل آنالیز مغزه) ، آزمایش چاه و روابط یا مدلهای تجربی برای تعیین تراوایی استفاده میشد، به دلیل این که روشهای آزمایشگاهی و چاه آزمایی زمانبر بوده و پر هزینه هستندهمچنین معمولا همهی چاههای یک مخزن دارای مغزه نمیباشند، از طرفی مدلهای تجربی برای موارد خاصی به کار میروند و در جاهایدیگر دقت و کارایی لازم را ندارند در نتیجه روشی که بتواند با استفاده از نگارهای چاهپیمایی، خواص پتروفیزیکی مخزن از جمله نفوذپذیری را به دست دهد اهمیت زیادی خواهد داشت. در این مقاله با استفاده از دادههای پتروفیزیکی و به کارگیری روشهای دادهکاوی پارامتر مهمذکر شده (تراوایی) را به دست میآوریم. برای این کار ابتدا دادهها را نرمالایز کرده سپس از روشهای شبکهی عصبی پرسپترون چند لایهMLPو شبکهی عصبی تابع پایه شعاعیRBF که هر دو از روشهای یادگیری ماشینی هستند) برای برآورد نفوذپذیری (افقی وقائمیکی از میدانهای نفت و گاز ایران با استفاده از دادههای ژئوفیزیکی استفاده شده است و نتایج این روشها با هم مقایسه و سنجیده شدهاند

Keywords:

تراوایی (نفوذپذیری) , شبکهی عصبی مصنوعی , ضریب همبستگی , مخزن هیدروکربوری , میانگین مربع خطا