تخمین پارامترهای ژئومکانیک با استفاده از روشهای یادگیری ماشین

شکنندگی سنگ یکی از ویژگی های مهم ژئومکانیکی مخازن نفتی و مخازن غیرمتعارف است و معمولا با استفاده از مغزه ها یا الگوهای صوتی تخمین زده می شود. اما در بسیاری از موارد، الگوهای صوتی در دسترس نیستند یا هزینه ی بالایی دارند. در این مطالعه، روشی مبتنی بر آنالیز داده ارائه می دهیم که با استفاده از الگوهای متداول و ارزان تر، شکنندگی را پیش بینی می کند. ما از الگوهای گاما، تخلخل-نوترون، چگالی و مقاومت صوتی استفاده کردیم و با استفاده از الگوریتم های یادگیری ماشین مختلف مانند تقویت گرادیان، رگرسیون بردار پشتیبانی، شبکه های عصبی و Catboost، مدل هایی برای پیش بینی شکنندگی ایجاد کردیم. نتایج نشان داد که مدل های ارائه شده، عملکرد بسیار خوبی در پیش بینی شکنندگی دارند و می توانند به عنوان جایگزینی برای الگوهای صوتی استفاده شوند. در زمانی که الگوهای صوتی برشی و فشاری در دسترس نباشند این الگوها را از الگوهای متداول استخراج کنیم و برای تخمین شکنندگی استفاده کنیم. بهترین عملکرد بین مدل های ارائه شده را الگوریتم شبکه های عصبی با میزان R-Squared ۹۶ و ۹۴ درصد برای الگوهای مختلف داشت. علاوه بر این، این روش می تواند برای پیش بینی سایر خواص مخزن و مشخص کردن ناهمگونی های آن با استفاده از داده های لرزه های نیز استفاده شود.

کلیدواژه ها:

خواص ژئومکانیک ، ابزار یادگیری ماشین ، مخازن غیرمتعارف ، شکنندگی سنگ