برآورد تخلخل سازند گازی کنگان در میدان پارس جنوبی با استفاده از ماشین کمیته ای متشکل از شبکه های عصبی مصنوعی منفرد آموزش‌دیده به روش مرتب سازی

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود، ایران

چکیده

برای به دست آوردن نتایج دقیق­تر از به کارگیری روش شبکه­های عصبی مصنوعی، به جای انتخاب نتایج بهترین شبکه حاصل از فرایند سعی و خطا، نتایج چندین شبکه به روشی مناسب با هم ترکیب شده است تا شاید سامانه چند­شبکه­ای حاصل، که از آن با عنوان ماشین کمیته­ای تعبیر می­شود، خطا را کاهش و درنتیجه، دقت را افزایش دهد. در این پژوهش، برای برآورد تخلخل مؤثر سنگ مخزن گازی کنگان در میدان عظیم هیدروکربنی پارس جنوبی، از ترکیب آنسامبلی شبکه­های عصبی مصنوعی که نوعی ماشین کمیته­ای با ساختار موازی است، استفاده شده است. به این منظور، داده­های نگارهای صوتی، چگالی، پرتو گاما و تخلخل نوترونی به عنوان ورودی شبکه­ها و تخلخل مؤثر به عنوان خروجی شبکه­ها از 4 چاه این میدان در بازۀ عمقی سازند کنگان انتخاب شدند. شبکه­های عصبی پس­انتشار خطا با ساختارهای متفاوت به روش مرتب­سازی آموزش داده شد و توان تعمیم آنها ارزیابی شد. آنگاه شبکه‌هایی که بهترین نتایج، یعنی کمترین میانگین مربعات خطای برآورد در مرحله آزمون را داشتند، برای ساخت ترکیب­های آنسامبلی انتخاب شدند. برای تعیین ضرایب شبکه­های جزء ترکیب­های آنسامبلی خطی، سه روش میانگین­گیری ساده، روش ترکیب خطی بهینه هاشم و روش غیرتحلیلی ترکیب خطی بهینه با استفاده از الگوریتم ژنتیک به کار برده شده و نتایج آنها با هم مقایسه شد. از مقایسه نتایج ترکیب­ها با بهترین شبکه عصبی مصنوعی منفرد حاصل، مشخص شد که بهترین ترکیب آنسامبلی حاصل، ترکیبی چهار­شبکه­ای است که ضرایب شبکه­های جزءِ آن با استفاده از الگوریتم ژنتیک تعیین شده است. این ترکیب توانسته میانگین مربعات خطای برآورد الگوهای آموزش و آزمون را به ترتیب 6/3 درصد و 2/11 درصد نسبت به بهترین شبکه عصبی منفرد کاهش دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Porosity Assessment of Kangan Gas Formation in South Pars Hydrocarbon Field by Application of Committee Machine Composed of Single Artificial Neural Networks Trained using Regularization Method

نویسندگان [English]

  • A. Kamkar Rouhani
  • M. Zakeri
Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology, Shahrood, Iran
چکیده [English]

In order to obtain more accurate results from application of the method of artificial neural networks, instead of selection of the best network determined by trial and error process, we suitably combine the results of several networks that is called committee machine, to reduce the error, and thus, increasing the accuracy of the output results. In this research, ensemble combination of single artificial neural networks has been used in order to estimate the effective porosity of Kangan gas reservoir rock in South Pars hydrocarbon field. To achieve this goal, well logging data of 4 wells in the area at the depth interval corresponding to Kangan formation were used. Acoustic, density, gamma ray and neutron porosity well log data were assigned as the input of the networks while the effective porosity data were considered as the output of the networks. Back- propagation single neural networks having different structures were trained using regularization method and their results were assessed. Then, the networks with the best results, i.e. contained minimum mean of squares of errors in the test step, were selected for making ensemble combinations. To determine the weighting coefficients of the networks in the linear ensemble combinations, we applied three methods of simple averaging, Hashem’s optimal linear combination and non-analytical optimal linear combination employing genetic algorithm, and their results were compared. The best ensemble combination, in which we had the maximum reduction in mean of squares of errors of the test step compared to the best single neural network, was an optimal linear four-network combination obtained by using genetic algorithm optimization method. This best ensemble combination, compared to the best single neural network, reduced the mean of squares of errors in the training and test steps 3.6%  and 11.2%, respectively.

کلیدواژه‌ها [English]

  • Kangan Formation
  • porosity
  • Well Logs
  • Artificial Nneural Network
  • Regularization Training Method
  • Committee Machine
  • Ensemble combination
  • Genetic algorithm
کتابنگاری
افشارحرب، ع.، 1381- زمین­شناسی نفت، انتشارات دانشگاه پیام نور.
حسنی پاک، ع.ا. و شرف­الدین، م.، 1380- تحلیل داده­های اکتشافی، انتشارات دانشگاه تهران.
خسروتهرانی، خ.، 1383- زمین­شناسی ایران، انتشارات دانشگاه پیام نور، چاپ پنجم.
رحیمی، م.، 1381- تعبیر و تفسیر لرزه­ای ناحیه پارس جنوبی در افق­های آسماری، جهرم، سروک، داریان، فهلیان، سورمه، کنگان، نار و فراقون، مدیریت اکتشاف شرکت ملی نفت ایران.
زارعی، س.، موحد، ب.، باقری، ع.م. و مردانی، ع.، 1386- ارزیابی تراوایی سازند کنگان با استفاده از داده­های نگار CMR و مغزه در میدان پارس جنوبی، بیست و ششمین گردهمایی علوم زمین‌شناسی.
 
References
Bhatt, A. & Helle, H. B., 2002- Committee neural networks for porosity and permeability prediction from well logs, Geophysical Prospecting, 50: 645-660.
Bhatt, A., 2002- Reservoir properties from well logs using neural networks, PhD thesis, Department of Petroleum Engineering and Applied Geophysics, Norwegian University of Science and Technology.
Chen, C. H. & Lin, Z. S., 2006- A committee machine with empirical formulas for permeability prediction, Computer & Geosciences, 32: 485-496.
Demuth, H. & Beale, M., 2002- Neural network toolbox user's guide of MATLAB, Version 4, Online on http://www.mathworks.com/.
Hashem, S., 1993- Optimal linear combination of neural networks, PhD thesis, School of Industrial Engineering, Purdue University.
Hashem, S., 1997- Optimal linear combination of neural networks, Neural Networks, 10: 599-614.
Hashem, S., Shmeiser, B. & Yih, Y., 1994- Optimal linear combination of neural networks: An overview, School of Industrial Engineering, Purdue University.
MathWorksTM, 2007- Genetic algorithm and direct search toolbox 2 user's guide of MATLAB, Online on http://www.mathworks.com/.
Sharkey, A., Sharkey, N., Gerecke, U. & Chandroth, G. O., 2000- The "test and select" approach to ensemble combination. In: Kittler J. & Roli F. (eds.) Multiple classifier systems.  Springer-Verlag, Inc. PP30-44.