علی رنجبر

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.