مروری بر طبقه بندی رخساره ها با استفاده از الگوریتم های یادگیری

شناسایی دستی رخساره های سنگی با استفاده از اندازه گیری نگاره های کابل فولادی و ارزیابی تحلیلی داده های حاصل ازاندازه گیری فرآیندی زمان بر است و نیاز به دانش تجربی بسیار زیادی دارد، همچنین به علت وجود عدم قطعیت ها و پارامترهایغیرخطی، شناسایی رخساره ها به صورت دستی از صحت بالایی برخوردار نیست. رخساره های سنگی در تعیین خصوصیات ودرک ناهمگنی مخزن نقش کلیدی دارند. با ظهور هوش مصنوعی، صنعت نفت و گاز شاهد افزایش استفاده از روش های عددیدر اکتشاف، توسعه، تولید، مهندسی مخازن و برنامه ریزی مدیریت برای تسریع در تصمیم گیری، کاهش هزینه و زمان بودهاست. الگوریتم های یادگیری ماشین برای خودکارسازی فرآیندهای پیچیده غیرخطی ازجمله پیش بینی رخساره ها در سال هایاخیر محبوبیت زیادی به دست آورده است. در این مطالعه، الگوریتم های یادگیری ماشین و یادگیری عمیق که درزمینهطبقه بندی رخساره ها مورداستفاده قرارگرفته است، بررسی و مقایسه می شود. نتایج نشان داد، الگوریتم های یادگیری می توانندطبقه بندی رخساره ها را انجام دهند، ولی بااین حال محدود بودن داده های چاه نگاره می تواند صحت طبقه بندی را با چالشمواجه کند. الگوریتم های درختان تقویت شده و جنگل تصادفی عملکرد بهتری نسبت به سایر الگوریتم های مروری از خودنشان دادند، علاوه براین استفاده از دانشپایه برای ایجاد ویژگی های تقویت شده می تواند صحت الگوریتم یادگیری را به شدتافزایش دهد.

کلیدواژه ها:

طبقه بندی رخساره ها ، چاه نگاره ها ، الگوریتم های یادگیری