پیاده سازی الگوریتم بهینه سازی آموزش و یادگیری برای تخمین سرعت امواج برشی از داده های چاه نگاری در دو مطالعه موردی ماسه سنگی و کربناته
محل انتشار: نشریه علمی ژئومکانیک نفت، دوره: 1، شماره: 2
سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 123
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IRPGA-1-2_006
تاریخ نمایه سازی: 22 شهریور 1401
چکیده مقاله:
سرعت امواج لرزه ای تراکمی و برشی در کنار داده های پتروفیزیکی اطلاعات ارزشمندی را در مراحل اکتشاف و توسعه میادین نفتی فراهم می کنند. برخلاف سرعت امواج تراکمی که در اکثر مواقع توسط ابزار نمودارگیری سونیک اندازه گیری می شود، نمودار سرعت امواج برشی به علت هزینه ی بالا تنها در تعداد محدودی از چاههای یک میدان برداشت و ثبت میگردد. بنابراین بایستی سرعت این امواج را با استفاده از روش های دیگری تخمین زد. روابط تجربی متعددی ارائه شده است که سرعت امواج برشی را به پارامترهای پتروفیزیکی و اندازه گیری های چاه نگاری مربوط می کنند که معمولا کارائی موردی دارند. یکی از روش های کارآمد برای پیش بینی سرعت امواج برشی، استفاده از سیستم های هوشمند است. در این مقاله علاوه بر استفاده از روش تجربی گرینبرگ-کاستاگنا، از الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری برای ساخت یک مدل خطی و یک مدل غیرخطی برای پیش بینی سرعت امواج برشی در یک سازند مخزنی ماسه سنگی در یکی از میادین فراساحلی واقع در استرالیای غربی و یک سازند مخزنی کربناته در یکی از میادین خشکی واقع در جنوب غرب ایران استفاده شده است. مقدار خطا و ضریب همبستگی نتایج به دست آمده از الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری نشان دهنده کارائی مطلوب این الگوریتم است. نتایج مدل خطی و غیر خطی ساخته شده به هم نزدیک است با این تفاوت که مدل خطی در مدت زمان کمتری اجرا میشود. مدل خطی این الگوریتم با خطای ۳/۲ درصدی و ضریب همبستگی ۸۲/۰ در سازند ماسه سنگی و خطای ۳/۳ درصدی و ضریب همبستگی ۹۵/۰ در سازند کربناته، عملکرد مناسبی در هر دو مطالعه موردی داشته و میتواند به عنوان روشی کارآمد برای تخمین سرعت موج برشی استفاده گردد.
کلیدواژه ها:
سرعت امواج تراکمی ، سرعت امواج برشی ، خواص پتروفیزیکی ، روابط تجربی ، سیستم های هوشمند ، الگوریتم بهینه سازی
نویسندگان
رسول امیری کله جوبی
انستیتو مهندسی نفت . دانشکده فنی دانشگاه تهران
محمد امامی نیری
عضو هیئت علمی- انستیتو مهندسی نفت- دانشگاه تهران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :