مقایسه عملکرد شبکه عصبی مصنوعی پرسپترون و بازگشتی در شناسایی مدل مخازن نفتی

مهرآفرین مقیمی هنجانی¹ فرهاد ایرجی²

1) فارغ التحصیل کارشناسی مهندسی نفت، دانشکده مهندسی شیمی و نفت، دانشگاه صنعتی شریف، تهران، ایران-
2) فارغ التحصیل کارشناسی ارشد مهندسی نفت، دانشکده مهندسی شیمی و نفت، دانشگاه صنعتی شریف، تهران،

کد IOI مقاله : XCAZ-EFGEK
محل انتشار : دومین کنگره بین المللی علوم و مهندسی - پاریس(parisconf.com)
چکیده :
    ساختار مخازن هيدروکربوري چنان پيچيده و ناهمگن است که شناسایی مستقيم آنها عملاً غیر ممکن است. بنابراین روش‌هاي غير‌مستقيم شناخت مخازن نفتی مانند چاه‌آزمائي محبوبيت زيادي پيدا کرده‌است. شناسایی مدل‌ مخزن و مرز با استفاده از نمودارهاي مشتق فشار، يکي از مهمترین مراحل شناخت مخزن است. در اين مطالعه از شبکه‌هاي عصبي مصنوعي پرسپترون و بازگشتی براي شناسائي مدل مخزن همگن و تخلخل دوگانه با چهار مرز بیرونی بی‌نهایت، فشار ثابت، کاملاً بسته، و گسل منفرد بدون جریان از یک سمت استفاده شده‌است. ساختار بهينه‌ي شبکه‌هاي پيشنهادي با استفاده از روش‌هاي حدس و خطا و کمينه‌کردن ميانگين خطاي نسبي داده‌هاي آموزش و آزمایش تعيين شده‌است. میزان دقت دسته‌بندی شبکه‌های عصبی پیشنهادی با استفاده از داده‌های شبیه‌سازی و میدانی بررسي و مقایسه شده است. نتايج حاصل نشان‌ داد که مدل‌ مبتني بر شبکه‌هاي عصبي قادر هستند که مدل واقعي مخزن و مرز را از داده‌هاي چاه‌آزمائي شناسايي کنند. شبکه‌ي عصبي بازگشتي داراي دقتي بيشتر از شبکه‌ي پرسپترون بوده و قابليت بيشتري را در دسته‌بندي داده‌هاي چاه‌آزمائي از خود نشان داده‌است. اين شبکه‌ها داراي دقت دسته‌بندي کلي 39/98 درصد بوده در حاليکه شبکه‌ي پرسپترون دقت 83/95 را ارائه مي‌دهد.

کلمات کلیدی : چاه‌آزمایی مشتق فشار شبکه‌های عصبی مصنوعی مدل مخزن و مرز