محمد امین دزفولیان - دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، باشگاه پژوهشگران جوان، تهران، ایران

پیشی بینی سنگ شناسی، مرحله ای  اساسی در مهندسی نفت و ارزیابی سازند است. تحقیقی که در اینجا عرضه می شود، نوعی مدل سازی شبکه های عصبی مصنوعی، به منظور استفاده از نگارهای چاه برای برآورد سنگ شناسی در یکی از مخازن میدان پارس جنوبی است. در این تحقیق از دو شبکه با روش پس انتشار خطا ((back propagation error; BP  سه لایه و الگوریتم آموزش لونبرگ- مارکوآرت، برای برآورد سنگ شناسی، استفاده شده است. شبکه در حالت اول، نگارهای پرتو گاما،  نوترون، چگالی و اثرفتوالکتریک (PEF)  را به صورت ورودی به کار می برد، حال آن که در شبکه دوم نگار صوتی مربوط به این داده ها نیز به ورودی ها اضافه و نتایج در دو حالت مقایسه شده اند. با توجه به هزینه های  بالای مغزه گیری از این روش می توان هزینه های مغزه گیری را کاهش داد. در این مقاله، از داده های مربوط به چهار چاه در میدان پارس جنوبی استفاده شده است، به این صورت که شبکه، ابتدا در یکی از چاه های مخزن (چاه C) که دارای تحلیل مغزه بود، آموزش داده شد و در چاه دیگر (چاه D) که داده های آن در آموزش شبکه سهمی نداشت، آزمایش شد و پس از اطمینان از کارآیی آن، شبکه برای برآورد سنگ شناسی در دو چاه دیگر (چاه A وB) استفاده شد. سنگ های بخش بررسی شده عبارتند از: دولومیت، سنگ آهک، سنگ آهک دولومیتی، دولومیت آهکی، انیدریت، شیل، سنگ آهک شیلی و دولومیت شیلی. در حالت اول مقدار میانگین مربعات خطا (mean square error; MSE)  برای چاه A برابر ۰۸۱/۰و برای چاه B برابر۰۹۴/ به دست آمد، در صورتی که در حالت دوم و اضافه شدن نگار صوتی به دیگر ورودی ها مقدار میانگین مربعات خطا برای چاه A برابر۰۵۱/۰ و برای چاه B برابر ۰۶۳/۰ شده است. بر اساس این مقایسه، مشخص شد که دقت مدل در حالت دوم بهبود قابل توجهی یافته و نگار صوتی توانسته است سنگ شناسی برآورد شده را به مقدار واقعی نزدیک تر کند.

سنگ شناسی, چاه نگاری, مغزه, شبکه عصبی مصنوعی, مخزن هیدروکربنی, نگار صوتی