علی رنجبر

تعیین دقیق ویژگی های زیرسطحی مخازن نفتی، به ویژه تخلخل، مدول یانگ و فشار مخزنی، نقش مهمی در ارزیابی مخازن، طراحی چاه ها و تصمیم گیری های مهندسی دارد. هدف اصلی پژوهش توسعه یک چارچوب پیشرفته یادگیری ماشین برای تخمین هم زمان این ویژگی ها با استفاده از ترکیب داده های چاه نگاری، داده های واحد ثبت گل حفاری و پارامترهای ژئومکانیکی است. جامعه آماری پژوهش شامل داده های حاصل از عملیات حفاری و چاه نگاری در میادین نفتی است. برای مدل سازی، مجموعه ای از الگوریتم های یادگیری ماشین شامل Support Vector Machine، Gradient Boosting، AdaBoost، CatBoost، Random Forest، XGBoost، LightGBM، Extra Trees، KNN و Regression Tree به کار گرفته شد و داده ها پس از اعمال روش های پیش پردازش داده، جهت آموزش و ارزیابی مدل ها، به کار گرفته شدند. این روش های پیش پردازش داده شامل نرمال سازی داده ها و حذف نویز و مقادیر پرت جهت بهبود کارایی مدل بود. معیارهای ارزیابی شامل ضریب تعیین (R²)، MSE، RMSE، MAE،AARE و AAPE بود. یافته های پژوهش نشان می دهد که مدل Gradient Boosting بهترین عملکرد را در تخمین هر سه پارامتر تخلخل، مدول یانگ و فشار مخزنی داشته است و علاوه بر دقت بالا در داده های آموزش، توانایی تعمیم پذیری مناسبی به داده های آزمایشی نیز دارد. سایر الگوریتم ها بسته به پارامتر تخمین زده شده، نتایج متفاوتی ارائه کردند؛ به طور مثال KNN و Regression Tree در داده های آموزش عملکرد مناسبی داشتند اما در تعمیم به داده های جدید محدودیت هایی از خود نشان دادند. پس از مقایسه مدل ها، آنالیز حساسیت و بررسی نگاره ویلیام، برای بهترین مدل انجام شد. نتیجه گیری این پژوهش بیانگر آن است که استفاده همزمان از داده های چاه نگاری و داده های واحد ثبت گل حفاری در کنار الگوریتم های پیشرفته یادگیری ماشین، امکان تخمین دقیق و قابل اعتماد ویژگی های مخزن را فراهم می کند. این چارچوب می تواند به کاهش هزینه های عملیاتی، افزایش سرعت تصمیم گیری مهندسی و بهبود ارزیابی مخازن نفتی کمک کند و به عنوان یک ابزار کاربردی در صنعت نفت و گاز مورد استفاده قرار گیرد.