ارائه یک الگوریتمی مبتنی بر یادگیری عمیق برای تخمین شاخص شکنندگی با استفاده از داده های لاگ های متداول در سازند آسماری یکی از میادین نفتی جنوب غرب ایران

شاخص شکنندگی یکی از پارامترهای مهم در بررسی­ و مدل­سازی ­های­ ژئومکانیکی است. روش ­های زیادی برای تخمین شاخص شکنندگی ارائه شده است. یکی از روش­ هایی که امروزه زیاد مورد استفاده قرار می ­گیرد روش ­های هوشمند است. در این مطالعه هدف ارائه الگوریتمی جدید با استفاده از الگوریتم ­های یادگیری عمیق جهت پیش­بینی شاخص شکنندگی در یکی از چاه­ های میدان هیدروکربنی در جنوب غرب ایران می ­باشد. در این مقاله ابتدا پارامترهای موثر برای ورودی الگوریتم ­ها با استفاده از ضریب همبستگی پیرسون مشخص گردید و در ادامه با استفاده از (شبکه عصبی بازگشتی + شبکه عصبی پرسپترون چندلایه) (LSTM+MLP) و (شبکه­ عصبی تبدیلی + شبکه عصبی بازگشتی) (CNN+ LSTM) شاخص شکنندگی تخمین زده شد و مقدار خطا (MSE) و ضریب تعیین  (R۲) برای داده ­های آموزش و تست محاسبه گردید که برای داده ­های آموزش و تست هر دو الگوریتم دارای ضریب تعیین نزدیک به ۱ و خطای بسیار کم به دست آمده است. همچنین جهت اطمینان از نتایج الگوریتم­ها بخشی از داده به عنوان داده کور کنار گذاشته شد و خطا و ضریب تعیین برای این داده­ ها نیز محاسبه گردید که خطا (MSE CNN+LSTM =۲۶.۰۴۲۵,  MSE LSTM+MLP =۳۲.۰۷۵) به دست آمده است  و  ضریب تعیین ( R۲ CNN+LSTM  =۰.۸۰۶۴,  R۲ LSTM+MLP  =۰.۷۶۱۵) به دست آمده است. نتایج بیانگر کارآیی الگوریتم ­های یادگیری عمیق معرفی شده به عنوان روشی جدید در پیش­بینی شاخص شکنندگی می ­باشد که در مقایسه دو الگوریتم ارائه شده،الگوریتم  (CNN+LSTM) دارای دقت بالاتر و خطای کمتری می ­باشد.

کلیدواژه ها:

brittleness index ، petrophysical data ، deep learning ، evaluation model ، شاخص شکنندگی ، داده های پتروفیزیکی ، یادگیری عمیق ، ارزیابی مدل