تخمین پارامترهای ژئومکانیکی یکی از میادین نفتی از روی نمودارهای پتروفیزیکی و با استفاده از روشهای هوشمند
تخمین پارامترهای ژئومکانیکی یکی از میادین نفتی از روی نمودارهای پتروفیزیکی و با استفاده از روشهای هوشمند
مهدی گندم گون1 محمد حسین گندم گون2 شادی محول3
1) کارشناسی ارشد نفت گرایش اکتشاف، دانشگاه صنعتی سهند تبریز، ایران
2) کارشناسی ارشد نفت گرایش اکتشاف، دانشگاه صنعتی سهند تبریز، ایران
3) کارشناسی ارشد نفت گرایش اکتشاف، دانشگاه تهران، ایران
محل انتشار :
دومین کنگره بین المللی علوم، مهندسی و تکنولوژی - هامبورگ(germanconf.com/2nd)
چکیده :
پروژههای مربوط به ساخت و ایجاد مدلهای ژئومکانیکی مربوط به چاههای اکتشافی و تولیدی در زمینههای گوناگون از لحاظ فنی و اقتصادی چالشبرانگیز هستند. روشهای هوشمند یکی از روشهای جدید، کمهزینه و دقیقی هستند که میتوانند با بهرهگیری از نگارههای پتروفیزیکی، پارامترهای ژئومکانیکی را در کمترین زمان ممکن تخمین بزنند. هدف این مقاله غلبه بر محدودیتهای تکنیکهای موجود با استفاده از تکنیکهای هوش مصنوعی مختلف است. دادههایی که در این مطالعه مورداستفاده قرار میگیرند از بررسیهای چاه پیمایی معمولی تخلخل نوترونی، اشعه گاما و چگالی بالک و همچنین لاگ صوتی موجود هستند. مجموعه دادهها از 8 چاه در سازندهای کربناته و 24 نمونه مغزه برای ساخت یک مدل مناسب استفاده شد که میتواند پارامترهای شکست سنگ را از نمودارهای مربوط به چاه پیشبینی کند. سه تکنیک هوش مصنوعی، شبکههای عصبی مصنوعی (ANN)، سیستم استنتاج فازی - فازی (ANFIS) و ماشینهای بردار پشتیبان (SVM) برای پیشبینی سه پارامتر شکست ژئومکانیکی یعنی زاویه اصطکاک (FANG)، مقاومت فشاری محدودشده (UCS) و مقاومت کششی (TSTR) استفاده شدند. برای هر پارامتر، سه تکنیک برای آموزش مدلهای AI اجرا شدند و سپس دادههای دیگر برای اعتبارسنجی مدلها مورد استفاده قرار گرفت. از سه تکنیک هوش مصنوعی، مدل مربوط به شبکههای عصبی مصنوعی نتایج بسیار خوبی به همراه داشت و نتایج مورد استفاده در مورد مدلهای دیگری که با استفاده از روشهای سیستم استنتاج فازی – فازی و ماشینهای بردار پشتیبان انجام گرفت که با ضریب همبستگی ۰.۹۸ و AAPE در حدود 4.6 درصد به دست آمد، همچنین در این مقاله مدل شبکهی عصبی مصنوعی به گونهای برنامهریزی شد که امکان استخراج موفقیتآمیز وزنها و بایاسهای شبکه به راحتی مورد استفاده قرار میگرفت.
کلمات کلیدی :
مدل مکانیکی زمین
روشهای هوشمند
شبکههای عصبی
منطق فازی- فازی
روش SVM
مقاومت فشاری UCS
مقاومت کششی TSTR.