بهینه سازی شبکه های عصبی مصنوعی جهت شناسایی زون های گازی با استفاده از داده های چاه پیمایی و زمین شناسی

بهینه سازی شبکه های عصبی مصنوعی جهت شناسایی زون های گازی با استفاده از داده های چاه پیمایی و زمین شناسی

محمدرضا مسعودیان1 مصيب كمري2 معصومه بشیری3 احسان حسینی4

1) کارشناسی ارشد مهندسی نفت دانشگاه آزاد اسلامی تهران-
2) مهندس ارشد پتروفیزیک- شرکت ملی مناطق نفتخیز جنوب
3) کارشناسی ارشد مهندسی نفت- دانشگاه صنعت نفت
4) دانشجوی کارشناسی ارشد مهندسی نفت- شرکت ام.آی سرویس

کد IOI مقاله : XYGD-BCKBK
محل انتشار : پنجمین کنفرانس بین المللی علوم و مهندسی(5icesconf.com)
چکیده :
    جنس سنگ مخزن وحدود سطوح تماس سیال های درون آن، با استفاده از نمودارهاي پتروفيزيكي تعيين مي¬شوند. عدم قطعيت در تشخيص نوع سيال و جنس سنگ توسط نمودارهاي پتروفيزيكي، سبب عدم قطعيت در تعيين سطوح تماس سيالات و تعیین ذخيره هيدروكربورهاي مخزن مي¬شود. هدف از این مقاله، معرفی شیوه¬ای نوین برای این منظور با استفاده از روش شبکه¬های عصبی مصنوعی به عنوان یکی از تکنیک¬های هوش مصنوعی است. تخمین و تشخیص درصد اشباع هیدروکربور ها و تشخیص نواحی گازی با استفاده از این رویکرد، در این تحقیق بررسی شده است. برای این منظور، پس از پیش پردازش داده‌ها شامل: حذف داده‌های ناقص؛ حذف داده‌های bad hole و بهنجار¬سازی و نهایتاً با استفاده از چهار شبکۀ عصبی متفاوت: شبکۀ عصبی چند لایه (MLP) ، شبکه عصبی پایه شعاعی (RBF)، شبکه عصبی کمینه مربعات بردار پشتیبان (LSSVM) و سیستم خبره هوشمند (CMIS)) بررسی ها صورت گرفت. سری کامل داده-های پتروفیزیکی (نمودارهای مقاومت الکتریکی، دانسیتۀ سازند، تخلخلی نوترون، گاما، فاکتورفوتوالکتریک، صوتی و قطرسنج) برای چهار چاه از مخزن آسماری میدان اهواز در جنوب غرب ایران استفاده شد که با ضرایب همبستگی به ترتیب 995.0، 995.0، 992.0 و 997.0 ارزیابی صورت گرفت. نتایج این مطالعه در مقایسه با کار مشابهی که با استفاده از روش تحلیل تمایزی (Discriminant Analysis) با ضریب همبستگی حدود 2.92 انجام شده بود، از دقت بیشتری برخوردار بود.

کلمات کلیدی : نواحی گازی درصد اشباع گاز نمودارهای پتروفیزیکی شبکه¬های عصبی مصنوعی