ترکیب ماشین های یادگیری شبکه عصبی حافظه طولانی کوتاه مدت و شبکه عصبی کانولوشن برای تخمین تخلخل

تخمین تخلخل در مخازن کربناته به دلیل وجود ساختارهای پیچیده و ناهمگن سیستم حفرات، چالشی اسا سی محسوب می شود. تخلخلنشان دهنده ظرفیت ذخیره سازی سیالات در مخزن است و برای ارزیابی می زان ذخای ر و توان تولید اهمیت بالایی دارد. از این رو، تخمین دقیقتخلخل سنگ مخزن ضروری است. روش های سنتی مانند تجزیه و تحلیل مغزه و نمودارهای چاه پیمایی اغلب هزینه بر و زمان بر هستند. بااین حال، الگوریتم های یادگیری عمیق قادرند با شناسایی الگوها ی پیچیده در داده های بزرگ، تخمین های دقیق تری از تخلخل ارائه دهند.در این تحقیق، رویکردی جدید مبتنی بر یک مدل شبکه عصبی عمیق ترکیبی برای تخمین تخلخل بر اساس داده های چاه پیشنهاد شدهاست. داده ها از یک مخزن کربناته در جنوب غربی ایران استخراج شده اند و شامل اطلاعات حاصل از مغزه گیری و نموداره ای چاه پیمایی (ازجمله نمودارهای گاما، نوترون، چگا لی، صوتی و مقاومت) می باشند. تعداد چاه ها دو حلقه و تعداد مغزه ها ۵۰ نمونه بوده است. در مجموع،۲۰۰۰ نقطه داد های جمع آوری شده که به سه بخش آموزشی ( ۷۰ ٪)، ارز یابی ( ۱۵ ٪) و اعتبارسنجی ( ۱۵ ٪) تقسیم شدند. این روی کرد شاملمراحل جمع آوری و آماده ساز ی داده ها، طراحی معماری شبکه عصبی ترکیبی، آموزش، بهینه ساز ی و ارزیابی مدل است. بر ای اعتبارسنجیاین مدل ترکیبی، از داده های مغزه استفاده شد و ضریب تعیین ۰.۹۸ بر ای آن گزارش شده است که نشان دهنده دقت بالای مدل در پیش بینیتخلخل است. مقایسه بین نتایج پیش بینی شده توسط این مدل یادگیر ی عمیق ترکیبی و مدل پرسپترون چند لایه نشان داد که مدل ترکیبیاز دقت بالاتری برخوردار بوده است.

کلیدواژه ها:

تخلخل ، مخازن کربناته ، یادگیری عمیق ، مدل ترکیبی ، داده چاه