مشخصات پژوهش

عنوان	تخمین حجم شیل با استفاده از روش های مرسوم و مبتنی بر یادگیری ماشین در یکی از مخازن هیدروکربنی جنوب غرب ایران
نوع پژوهش	پایان‌نامه
کلیدواژه‌ها	تخمین حجم شیل، چاه نگارهای پتروفیزیکی، هوش مصنوعی، الگوریتم های یادگیری ماشین، سرشت نمایی مخزن
چکیده	یکی از مسائل مهم مخزن، برآورد پارامترهای پتروفیزیکی آن است. حجم شیل در سازند بر پارامترهای پتروفیزیکی مخزن مانند تخلخل، نفوذپذیری و اشباع تأثیر می گذارد. از آنجایی که این پارامترها میزان هیدروکربن موجود در مخزن و توانایی تولید آنها را نشان می دهد، تعیین حجم شیل یک چالش اساسی در صنعت نفت است. این مطالعه به مقایسه روش های مرسوم و الگوریتم های یادگیری ماشین (ML) برای تخمین حجم شیل در سازند کژدمی در یکی از میادین نفتی جنوب غربی ایران می پردازد. این سازند دارای سنگ شناسی ماسه ای-شیلی بوده و به دلیل شرایط پیچیده در محیط رسوب گذاری، پراکندگی افق های شیل آن کاملاً ناهمگن است. در این راستا، حجم شیل سازند با استفاده از روش پرتو گاما (GR) محاسبه شد و نتایج با داده های مغزه تایید شد. پس از آن، روش های مرسوم نظیر روش پرتو گاما، پتانسیل خودزا، چگالی، نوترون، مقاومت ویژه، صوتی و نیز روش های چگالی- نوترون، چگالی-صوتی و و نوترون-صوتی جهت تخمین حجم شیل سازند کژدمی استفاده شده است. در ادامه روش های ML مانند شبکه های عصبی مصنوعی، ماشین بردار پشتیبان، بیزین، رگرسیون خطی، حداقل مربعات تقویت شده و جنگل تصادفی بکارگرفته شده اند. چاه نمودارهای RXOZ، RXO، RT، SP، DT، NPHI، RHOZ ، HCAL و PEFZ به عنوان داده های ورودی در این روش ها استفاده شده است. دقت هر روش با استفاده از پارامترهای آماری نظیر ضریب همبستگی (R2) و میانگین مربعات خطا (MSE) اندازه گیری شد. نتایج نشان می دهد که روش های مرسوم دقت پایینی داشته و عملکرد قابل قبولی نسبت به روش های هوشمند ندارند در حالی که الگوریتم های یادگیری ماشین نتایج قابل اعتمادتری داشته و از نظر فنی بهینه هستند. در بین روش های مورد مطالعه، روش جنگل تصادفی با دقت 98 درصد بهتر از سایر الگوریتم ها در تخمین حجم شیل مخزن عمل کرد.
پژوهشگران	حسین جمالی فرد (دانشجو)، علی رنجبر (استاد راهنما)