کاربرد یادگیری ماشین در تحلیل داده های فیبر نوری برای پیش بینی زلزله های القایی در مناطق نفتی

زلزله های القایی ناشی از فعالیت های استخراج نفت و گاز مانند تزریق سیالات یا عملیات هیدرولیکی فراکینگ، تهدیدی جدی برای ایمنی زیرساخت ها، محیط زیست و عملیات صنعتی در مناطق نفتی است. فناوری حسگری آکوستیک توزیع شده بر پایه فیبر نوری داده های لرزه ای با وضوح بالا و پوشش گسترده (تا کیلومترها) فراهم می کند، اما حجم عظیم داده ها تا چندین ترابایت (روزانه) تحلیل سنتی را غیرکارآمد می سازد. یادگیری ماشین با مدل های پیشرفته مانند شبکه های عصبی کانولوشنی برای استخراج ویژگی ها و حافظه کوتاه مدت بلند برای پیش بینی سری های زمانی تحلیل داده های DAS را تحول می بخشد و دقت پیش بینی IS را تا ۹۵٪ افزایش می دهد. این مطالعه یک مرور سیستماتیک و متاآنالیز بر کاربرد ML در تحلیل داده های DAS برای پیش بینی IS در مناطق نفتی ارائه می دهد. نتایج تحلیل آماری در این پژوهش نشان دهنده اثر اندازه متوسط تا بزرگ (۰.۹۱ = p CI: ۰.۷۷-۱.۰۵ ۹۵% SMD < (۰.۰۰۱ در بهبود دقت پیش بینی با مدل های ML است. ادغام DAS با ML در مناطق نفتی، تشخیص رویدادهای میکروزلزله را تا ۸۵ الی ۹۰ زودتر امکان پذیر می کند و ریسک عملیات تزریق را کاهش می دهد. در ایران با میدان های نفتی مانند اهواز، گچساران و عسلویه، این فناوری می تواند پیش بینی IS ناشی از عملیات نفتی را بهبود بخشد و خسارات اقتصادی را تا ۷۰٪ کاهش دهد. محدودیت های اصلی شامل نویز داده های DAS، کمبود داده های آموزشی محلی و پیچیدگی محاسباتی مدل های ML است.

Keywords:

مناطق نفتی , پیش بینی لرزه ای , شبکه های عصبی کانولوشنی