علی رنجبر

پیش بینی پارامترهای الاستیک مانند مدول یانگ و نسبت پواسون در تکمیل مدل سازی ژئومکانیکی از اهمیت بالایی برخوردار است. این پارامترها را می توان از طریق آزمون های آزمایشگاهی بر روی مغزه-های حفاری که از چاه ها گرفته شده است، محاسبه کرد. همچنین می توان این پارامترها را به صورت دینامیک از طریق داده های لاگ های پتروفیزیکی محاسبه نمود. با این حال، چنین داده هایی ممکن است به دلایل مختلف در حوزه نفتی مورد مطالعه در دسترس نباشد. بنابراین گزارش های حفاری روزانه (DDR) را می توان به عنوان جایگزین مناسبی برای تخمین مدول الاستیک سنگ معرفی کرد. در این مطالعه، تلاش شده است تا مدول دینامیک یانگ با استفاده از داده های DDR با استفاده از روش های یادگیری ماشین مرسوم برآورد شود. در این راستا از روش حداقل مربعات تقویت شده (LSBoost) و جنگل تصادفی (Random Forest) استفاده شده است. داده های ورودی به این الگوریتم ها شامل عمق (D)، نرخ نفوذ (ROP)، وزن روی مته (WOB)، سرعت چرخش رشته (RPM)، چگالی (RHOB)، تخلخل (Φ)، فشار پمپ (PP) و سرعت مماسی (TV) است. سپس هر یک از این الگوریتم ها از نظر دقت با استفاده از معیارهای ریشه میانگین مربعات خطا (RMSE)، میانگین مربع خطا (MSE) و ضریب همبستگی (2R) مقایسه شدند. نتایج نشان می دهد که با استفاده از گزارش های حفاری روزانه، بر اساس معیارهای فوق، می توان به برآورد خوبی از پارامترهای الاستیک دست یافت. همچنین در بین دو روش مورد استفاده، روش جنگل تصادفی از دقت بالاتری برخوردار هستند.