|
Title
|
تخمين حجم شيل با استفاده از روش هاي مرسوم و مبتني بر يادگيري ماشين در يكي از مخازن هيدروكربني جنوب غرب ايران
|
|
Type
|
Thesis
|
|
Keywords
|
تخمين حجم شيل، چاه نگارهاي پتروفيزيكي، هوش مصنوعي، الگوريتم هاي يادگيري ماشين، سرشت نمايي مخزن
|
|
Abstract
|
يكي از مسائل مهم مخزن، برآورد پارامترهاي پتروفيزيكي آن است. حجم شيل در سازند بر پارامترهاي پتروفيزيكي مخزن مانند تخلخل، نفوذپذيري و اشباع تأثير مي گذارد. از آنجايي كه اين پارامترها ميزان هيدروكربن موجود در مخزن و توانايي توليد آنها را نشان مي دهد، تعيين حجم شيل يك چالش اساسي در صنعت نفت است. اين مطالعه به مقايسه روش هاي مرسوم و الگوريتم هاي يادگيري ماشين (ML) براي تخمين حجم شيل در سازند كژدمي در يكي از ميادين نفتي جنوب غربي ايران مي پردازد. اين سازند داراي سنگ شناسي ماسه اي-شيلي بوده و به دليل شرايط پيچيده در محيط رسوب گذاري، پراكندگي افق هاي شيل آن كاملاً ناهمگن است. در اين راستا، حجم شيل سازند با استفاده از روش پرتو گاما (GR) محاسبه شد و نتايج با داده هاي مغزه تاييد شد. پس از آن، روش هاي مرسوم نظير روش پرتو گاما، پتانسيل خودزا، چگالي، نوترون، مقاومت ويژه، صوتي و نيز روش هاي چگالي- نوترون، چگالي-صوتي و و نوترون-صوتي جهت تخمين حجم شيل سازند كژدمي استفاده شده است. در ادامه روش هاي ML مانند شبكه هاي عصبي مصنوعي، ماشين بردار پشتيبان، بيزين، رگرسيون خطي، حداقل مربعات تقويت شده و جنگل تصادفي بكارگرفته شده اند. چاه نمودارهاي RXOZ، RXO، RT، SP، DT، NPHI، RHOZ ، HCAL و PEFZ به عنوان داده هاي ورودي در اين روش ها استفاده شده است. دقت هر روش با استفاده از پارامترهاي آماري نظير ضريب همبستگي (R2) و ميانگين مربعات خطا (MSE) اندازه گيري شد. نتايج نشان مي دهد كه روش هاي مرسوم دقت پاييني داشته و عملكرد قابل قبولي نسبت به روش هاي هوشمند ندارند در حالي كه الگوريتم هاي يادگيري ماشين نتايج قابل اعتمادتري داشته و از نظر فني بهينه هستند. در بين روش هاي مورد مطالعه، روش جنگل تصادفي با دقت 98 درصد بهتر از ساير الگوريتم ها در تخمين حجم شيل مخزن عمل كرد.
|
|
Researchers
|
hosein jamalifard (Student) , Ali Ranjbar (Primary advisor)
|