بررسی کیفیت مخزن با ترکیب ماشین های یادگیری شبکه عصبی کانولوشن و شبکه عصبی بازگشتی

در این پژوهش، مدل های ترکیبی شبکه عصبی عمیق بر ای بهبود دقت پیش بینی تخلخل از لاگ های چاه مورد بررسی قرار گرفته اند. نوآو ریاصلی این مطالعه ترکیب شبکه های عصبی کانولوشنی (CNN) و شبکه های عصبی بازگشتی (RNN) است. در این مدل، CNN برای استخراج ویژگیهای محلی از خواص سنگ در لاگ های چاه و RNN برای ثبت وابستگی های توالی ویژگی ها در مدل ساز ی رگرسیون استفاده می شود.همچنین، از شبکه عصبی پرسپترون چندلایه (MLP) به عنوان یک مدل کلاسیک بر ای مقایسه عملکرد مدل هیبریدی بهره گیری شده است. داده های مورد استفاده از چاه های F۰۲ و F۱۴ میدان نفتی فروزان در جنوب ایران شامل اندازه گیری های اساسی مانند اشعه گاما، لاگ صوتی،چگالی حجمی، مقاومت عمیق و تخلخل نوترونی است. پی ش از مدل ساز ی، داده ها به منظور مدیریت مقادی ر مفقوده و اطمینان از سازگاریپیش پردازش شده اند. مدل CRNN (ترکیبی از CNN و RNN) با ثبت الگوهای مکانی و زمانی به دقت بالایی در پیش بینی تخلخل دست یافته است. ارزیابی عملکرد مدل نشان داد که ضریب همبستگی آن ۰.۹۸ است که به طور قابل توجهی بهتر از ۰.۶۷ مدل MLP است. این نتایج حاکی از توانایی مدل CRNN در ثبت وابستگی های پیچیده موجود در مخازن هیدروکربنی و بهبود دقت تخمین تخلخل میباشد. در نهایت، این مدل هیبرید ی با ارائه پیش بینی های دقیق تر، به فرآیندهای تصمیم گیری در صنعت نفت کمک می کند و بینش های نوینی بهادبیات موجود در زمینه نفتی اضافه می نماید.

کلیدواژه ها:

تخلخل ، مخازن ، ی ادگیری ماشین ، مدل ترکیبی ، چاه پیمایی