|
Title
|
ارزيابي نفوذپذيري نسبي نفت و آب با استفاده از يادگيري ماشين: مطالعه موردي از جنوب غرب ايران
|
|
Type
|
Article
|
|
Keywords
|
نفوذپذيري نسبي، يادگيري ماشين، آناليز مغزه، شبيه سازي مخزن، هوش مصنوعي
|
|
Abstract
|
نفوذپذيري نسبي يكي از پارامترهاي پتروفيزيكي كليدي است كه رفتار جريان چندفازي در محيط متخلخل را كنترل كرده و تأثير قابل توجهي بر دقت شبيه سازي مخزن، پيش بيني برداشت و برنامه ريزي ازدياد برداشت دارد. روش هاي آزمايشگاهي تعيين اين پارامتر دقيق ولي زمان بر و پرهزينه اند. اين پژوهش با بهره گيري از تكنيك هاي يادگيري ماشين و داده هاي مغزه اي از يك مخزن در جنوب غرب ايران، به برآورد نفوذپذيري نسبي نفت و آب پرداخته است. شانزده نمونه مغزه با هفت ويژگي ورودي براي آموزش چهار مدل Extra Trees، K-Nearest Neighbors، Categorical Boosting و Extreme Gradient Boosting استفاده شد. مدل ها با روش Bayesian Hyperparameter Tuning بهينه و با شاخص هاي R²، RMSE و MAE ارزيابي شدند. در برآورد نفوذپذيري نسبي آب، مدل Extra Trees بهترين عملكرد را با R² = 0.9974، RMSE = 0.0045 و MAE = 0.0007 نشان داد. مدل KNN نيز به ويژه در بازه نفوذپذيري 0.1 تا 0.2 عملكرد مطلوبي داشت. در برآورد نفوذپذيري نسبي نفت، مدل KNN دقيق ترين نتايج را با R² = 0.9973، RMSE = 0.0113 و MAE = 0.0024 ارائه كرد، در حالي كه مدل Extra Trees در محدوده هاي بالاي نفوذپذيري ضعيف تر عمل كرد. تحليل حساسيت SHAP نشان داد اشباع آب مؤثرترين عامل در هر دو مدل است؛ نفوذپذيري نفت در اشباع آب اوليه براي مدل آب و ويسكوزيته نفت براي مدل نفت اهميت بالايي دارند. نتايج نشان مي دهد يادگيري ماشين روشي توانمند و كارآمد براي جايگزيني آزمون هاي آزمايشگاهي در برآورد نفوذپذيري نسبي است و انتخاب مدل به نوع سيال هدف وابسته بوده و مي تواند موجب بهبود شبيه سازي، كاهش هزينه ها و مديريت بهينه مخزن شود.
|
|
Researchers
|
Ali Ranjbar (First researcher) , Mohammadrasul Dehghani Firuzabadi (Second researcher) ,
|