محمد امین دزفولیان
چکیده
پیشیبینی سنگشناسی، مرحلهای اساسی در مهندسی نفت و ارزیابی سازند است. تحقیقی که در اینجا عرضه میشود، نوعی مدلسازی شبکههای عصبی مصنوعی، به منظور استفاده از نگارهای چاه برای برآورد سنگشناسی در یکی از مخازن میدان پارس جنوبی است. در این تحقیق از دو شبکه با روش پس انتشار خطا ((back propagation error; BP سه لایه و الگوریتم آموزش لونبرگ- ...
بیشتر
پیشیبینی سنگشناسی، مرحلهای اساسی در مهندسی نفت و ارزیابی سازند است. تحقیقی که در اینجا عرضه میشود، نوعی مدلسازی شبکههای عصبی مصنوعی، به منظور استفاده از نگارهای چاه برای برآورد سنگشناسی در یکی از مخازن میدان پارس جنوبی است. در این تحقیق از دو شبکه با روش پس انتشار خطا ((back propagation error; BP سه لایه و الگوریتم آموزش لونبرگ- مارکوآرت، برای برآورد سنگشناسی، استفاده شده است. شبکه در حالت اول، نگارهای پرتو گاما، نوترون، چگالی و اثرفتوالکتریک (PEF) را به صورت ورودی به کار میبرد، حال آنکه در شبکه دوم نگار صوتی مربوط به این دادهها نیز به ورودیها اضافه و نتایج در دو حالت مقایسه شدهاند. با توجه به هزینههای بالای مغزهگیری از این روش میتوان هزینههای مغزهگیری را کاهش داد. در این مقاله، از دادههای مربوط به چهار چاه در میدان پارس جنوبی استفاده شده است، به این صورت که شبکه، ابتدا در یکی از چاههای مخزن (چاه C) که دارای تحلیل مغزه بود، آموزش داده شد و در چاه دیگر (چاه D) که دادههای آن در آموزش شبکه سهمی نداشت، آزمایش شد و پس از اطمینان از کارآیی آن، شبکه برای برآورد سنگشناسی در دو چاه دیگر (چاه A وB) استفاده شد. سنگهای بخش بررسی شده عبارتند از: دولومیت، سنگآهک، سنگآهک دولومیتی، دولومیت آهکی، انیدریت، شیل، سنگآهک شیلی و دولومیت شیلی. در حالت اول مقدار میانگین مربعات خطا (mean square error; MSE) برای چاه A برابر 081/0و برای چاه B برابر094/ به دست آمد، در صورتی که در حالت دوم و اضافه شدن نگار صوتی به دیگر ورودیها مقدار میانگین مربعات خطا برای چاه A برابر051/0 و برای چاه B برابر 063/0 شده است. بر اساس این مقایسه، مشخص شد که دقت مدل در حالت دوم بهبود قابل توجهی یافته و نگار صوتی توانسته است سنگشناسی برآورد شده را به مقدار واقعی نزدیکتر کند.