پیش بینی پارامتر SWIR با استفاده از روش های یادگیری ماشین

در این پژوهش، هدف اصلی پیش بینی پارامتر آب کاهش نیافتنی (Swir) با استفاده از داده های لاگ های مرسوم و به کارگیری روش های نوین هوش مصنوعی است. به دلیل هزینه های بالا و محدودیت های عملیاتی در ثبت لاگ NMR در تمامی چاه های نفتی، توسعه مدل های جایگزین برای تخمین Swir اهمیت زیادی دارد. در این راستا، از الگوریتم های شبکه عصبی مصنوعی (ANN)، شبکه احتمالی (PNN) و گرادیان تقویتی سبک (LightGBM) استفاده شد. ابتدا داده های یک چاه دارای لاگ NMR به عنوان داده مرجع برای آموزش مدل ها به کار گرفته شد. سپس مدل های آموزش دیده بر روی چاه هایی که فاقد لاگ NMR بودند مورد آزمون قرار گرفتند تا میزان توانایی آن ها در پیش بینی Swir ارزیابی شود. نتایج نشان داد که هر سه روش از دقت قابل قبولی برخوردار هستند و توانسته اند مقادیر Swir را با خطای پایین بازتولید کنند. در این میان، مدل ANN با توجه به ساختار انعطاف پذیر خود، عملکرد بهتری در همبستگی نتایج با داده های واقعی نشان داد. مدل LightGBM نیز با سرعت محاسباتی بالا و توانایی در پردازش داده های حجیم، گزینه ای کارآمد برای کاربردهای صنعتی محسوب می شود. همچنین PNN با ساختار ساده تر خود، در شرایطی که داده های آموزشی محدود باشند، کارایی مناسبی ارائه داد. بر این اساس، می توان این روش ها را به عنوان جایگزین های مناسب برای برآورد Swir و بهبود تحلیل های پتروفیزیکی در مخازن نفتی معرفی نمود.

Keywords:

آب کاهش نیافتنی (Swir) , هوش مصنوعی , یادگیری ماشین , ANN , LightGBM , PNN