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

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.