تخمین تراوایی مخازن هیدروکربنی به کمک شبکه های عصبی

در این مقاله از شبکه های عصبی مصنوعی که استفاده از آن در علوم برق و کامپیوتر و سیستم های کنترل هوشمند بسیار نمود پیدا کرده است، برای تحلیل داده های مخزن هیدروکربنی که در مهندسی نفت اهمیت بسیاری دارد استفاده شده است . تعیین تراوایی سنگ و توزیع آن در یک مخزن هیدروکربنی ناهمگن، مساله ای بدون راه حل مشخص و مستقیم است . یکی از قدیمی ترین راههای تخمین تراوایی سازند، استفاده از ابزارهای مغزه گیری و آوردن مغزه های ناحیه تولید مخزن به سطح زمین و اندازه گیری تراوایی این نمونه ها تحت شرایط مشابه مخزن می باشد . روش معمول دیگر برای تخمین تراوایی مخزن، چاه آزمایی می باشد . متأسفانه، مغزه گیری از هر چاه در میدان های بزرگ نفتی مانند میدان های نفتی ایران و نیز فرآیند چاه آزمایی، بسیار هزینه بر و غیر اقتصادی هستند . هر چند به علت اطلاعات بسیار ارزشمندی که تراوایی در اختیار ما قرار می دهد، ضروری است که با وجود گران بودن از تعدادی از چاه های مخزن مغزه گیری شود تا به امروز، محققان بسیاری تلاش کرده اند تا روابط پارامتری بین تراوایی و ویژگی هایی از مخزن هیدروکربنی که مستقیما قابل اندازه گیری هستند، مانند تخلخل و عمق بیابند . مهندسین نفت غا لباً از تحلیل رگرسیون ١ به عنوان ابزار اصلی برای به دست آوردن رابطه بین این مقادیر استفاده می کنند . در این روش ها، فرض بر این است که یک تابع خطی یا غیرخطی برای مدل کردن رابطه تراوایی و دیگر خواص سنگ کافی است . هرچند به علت طبیعت بسیار پیچیده مساله، روابط ارایه شده دقیق و قابل اعتماد نیستند . یک روش جایگزین برای روش مدل کردن پارامتری، استفاده از شبکه های عصبی مصنوعی می باشد . در سال های اخیر، شبکه های عصبی به عنوان ابزارهای قدرتمندی برای مدل کردن سیستم های پیچیده مطرح شده اند . این شبکه ها روش های تحلیل بدون الگوریتم داده های حجیم آنالوگ را میسر می سازند . از آنجا که تحلیل داده ها و آموزش این شبکه ها به صورت موازی و توزیع شده انجام می گیرد، آنها توانایی تشخیص روابط بسیار پیچیده بین متغیرهای متعدد ارائه شده به شبکه را دارند . در این مطالعه، الگوریتم لونبرگ - مارکوارت برای تخمین تراوایی یک مخزن هیدروکربنی در ایران به کار گرفته شده است

Keywords:

مخزن هیدروکربنی , شبکه عصبی , تراوایی , تخلخل , عمق