تخمین تراوایی مخازن هیدروکربنی به کمک شبکه های عصبی

در این مقاله از شبکه های عصبی که استفاده از آن در علوم برق و کامپیوتر و سیستم های کنترل هوشمند بسیار نمود پیدا کرده، 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، مسال های بدون راه حل مشخص و مستقیم است. روش های معمول شامل اندازه گیری ازمایشگاهی مغزه و چاه آزمایی می باشد. متأسفانه، مغزه گیری از هر چاه در میدا نهای بزرگ نفتی مانند میدا نهای نفتی ایران و نیز فرآیند چا هآزمایی، بسیار هزینه بر 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 کرد هاند تا روابط پارامتری بین تراوایی و ویژگ یهایی از مخزن هیدروکربنی که مستقیما قابل اندازه گیری هستند، مانند تخلخل و عمق بیابند. مهندسین نفت اغلب از تحلیل رگرسیون به عنوان ابزار اصلی برای به دست آوردن رابطه بین این مقادیر استفاده م یکنند. هرچند به علت طبیعت بسیار پیچیده مساله، روابط خطی یا غیرخطی ارایه شده دقیق و قابل اعتماد نیستند. یک روش جایگزین برای مدل کردن پارامتری، استفاده از شبکه های عصبی مصنوعی می باشد. این شبکه ها روش های تحلیل بدون الگوریتم داد ههای حجیم آنالوگ را میسر م یسازند. 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