|
Title
|
تلفيق داده هاي پتروفيزيكي و واحد نمودارگيري گل با هدف ارزيابي مخرني
|
|
Type
|
Thesis
|
|
Keywords
|
: يادگيري ماشين؛ چاه نگاري؛ واحد ثبت گل حفاري؛ بهينه سازي ابرپارامترها؛ تخمين
|
|
Abstract
|
تعيين دقيق ويژگي هاي زيرسطحي مخازن نفتي، به ويژه تخلخل، مدول يانگ و فشار مخزني، نقش مهمي در ارزيابي مخازن، طراحي چاه ها و تصميم گيري هاي مهندسي دارد. هدف اصلي پژوهش توسعه يك چارچوب پيشرفته يادگيري ماشين براي تخمين هم زمان اين ويژگي ها با استفاده از تركيب داده هاي چاه نگاري، داده هاي واحد ثبت گل حفاري و پارامترهاي ژئومكانيكي است. جامعه آماري پژوهش شامل داده هاي حاصل از عمليات حفاري و چاه نگاري در ميادين نفتي است. براي مدل سازي، مجموعه اي از الگوريتم هاي يادگيري ماشين شامل Support Vector Machine، Gradient Boosting، AdaBoost، CatBoost، Random Forest، XGBoost، LightGBM، Extra Trees، KNN و Regression Tree به كار گرفته شد و داده ها پس از اعمال روش هاي پيش پردازش داده، جهت آموزش و ارزيابي مدل ها، به كار گرفته شدند. اين روش هاي پيش پردازش داده شامل نرمال سازي داده ها و حذف نويز و مقادير پرت جهت بهبود كارايي مدل بود. معيارهاي ارزيابي شامل ضريب تعيين (R²)، MSE، RMSE، MAE،AARE و AAPE بود. يافته هاي پژوهش نشان مي دهد كه مدل Gradient Boosting بهترين عملكرد را در تخمين هر سه پارامتر تخلخل، مدول يانگ و فشار مخزني داشته است و علاوه بر دقت بالا در داده هاي آموزش، توانايي تعميم پذيري مناسبي به داده هاي آزمايشي نيز دارد. ساير الگوريتم ها بسته به پارامتر تخمين زده شده، نتايج متفاوتي ارائه كردند؛ به طور مثال KNN و Regression Tree در داده هاي آموزش عملكرد مناسبي داشتند اما در تعميم به داده هاي جديد محدوديت هايي از خود نشان دادند. پس از مقايسه مدل ها، آناليز حساسيت و بررسي نگاره ويليام، براي بهترين مدل انجام شد. نتيجه گيري اين پژوهش بيانگر آن است كه استفاده همزمان از داده هاي چاه نگاري و داده هاي واحد ثبت گل حفاري در كنار الگوريتم هاي پيشرفته يادگيري ماشين، امكان تخمين دقيق و قابل اعتماد ويژگي هاي مخزن را فراهم مي كند. اين چارچوب مي تواند به كاهش هزينه هاي عملياتي، افزايش سرعت تصميم گيري مهندسي و بهبود ارزيابي مخازن نفتي كمك كند و به عنوان يك ابزار كاربردي در صنعت نفت و گاز مورد استفاده قرار گيرد.
|
|
Researchers
|
Moien Kafi (Student) , Ali Ranjbar (First primary advisor) , Yousef Kazemzadeh (Advisor)
|