علی رنجبر

نفوذپذیری نسبی یکی از پارامترهای پتروفیزیکی کلیدی است که رفتار جریان چندفازی در محیط متخلخل را کنترل کرده و تأثیر قابل توجهی بر دقت شبیه سازی مخزن، پیش بینی برداشت و برنامه ریزی ازدیاد برداشت دارد. روش های آزمایشگاهی تعیین این پارامتر دقیق ولی زمان بر و پرهزینه اند. این پژوهش با بهره گیری از تکنیک های یادگیری ماشین و داده های مغزه ای از یک مخزن در جنوب غرب ایران، به برآورد نفوذپذیری نسبی نفت و آب پرداخته است. شانزده نمونه مغزه با هفت ویژگی ورودی برای آموزش چهار مدل Extra Trees، K-Nearest Neighbors، Categorical Boosting و Extreme Gradient Boosting استفاده شد. مدل ها با روش Bayesian Hyperparameter Tuning بهینه و با شاخص های R²، RMSE و MAE ارزیابی شدند. در برآورد نفوذپذیری نسبی آب، مدل Extra Trees بهترین عملکرد را با R² = 0.9974، RMSE = 0.0045 و MAE = 0.0007 نشان داد. مدل KNN نیز به ویژه در بازه نفوذپذیری 0.1 تا 0.2 عملکرد مطلوبی داشت. در برآورد نفوذپذیری نسبی نفت، مدل KNN دقیق ترین نتایج را با R² = 0.9973، RMSE = 0.0113 و MAE = 0.0024 ارائه کرد، در حالی که مدل Extra Trees در محدوده های بالای نفوذپذیری ضعیف تر عمل کرد. تحلیل حساسیت SHAP نشان داد اشباع آب مؤثرترین عامل در هر دو مدل است؛ نفوذپذیری نفت در اشباع آب اولیه برای مدل آب و ویسکوزیته نفت برای مدل نفت اهمیت بالایی دارند. نتایج نشان می دهد یادگیری ماشین روشی توانمند و کارآمد برای جایگزینی آزمون های آزمایشگاهی در برآورد نفوذپذیری نسبی است و انتخاب مدل به نوع سیال هدف وابسته بوده و می تواند موجب بهبود شبیه سازی، کاهش هزینه ها و مدیریت بهینه مخزن شود.