تخمین مدول یانگ با نگارهای پتروفیزیکی و الگوریتم های یادگیری عمیق در یکی از میادین هیدروکربنی ایران

مدول یانگ یکی از پارامترهای مهم در مدل سازی ژئومکانیکی و یکی از پیش نیازهای اساسی برای تحلیل پایداری دیواره چاه در طول مسیر حفاری چاه های نفت و گازی است. برای تعیین مدول یانگ مدل های تجربی زیادی معرفی شده اند که هر کدام از آنها مختص منطقه ای خاص هستند. یکی از روش هایی که اخیرا زیاد مورد استفاده قرار می گیرد روش های هوشمند است. در این مطالعه سعی شده است تا مدول یانگ دینامیک با استفاده از الگوریتم های یادگیری عمیق در یکی از چاه های مخازن هیدروکربنی جنوب غرب ایران پیش بینی شود. برای استفاده از الگوریتم های یادگیری عمیق ویژگی های موثر برای تخمین مدول یانگ برای ورودی الگوریتم ها با تعیین ضریب همبستگی پیرسون مشخص شدند. در ادامه با استفاده از شبکه های ترکیبی CNN+LSTM, LSTM+MLP مدول یانگ تخمین زده شد و مقدار ضریب تعیین برای این الگوریتم ها برای داده های آموزش و تست نزدیک به ۱ و خطای پیش بینی هر دو الگوریتم بسیار کم به دست آمده است. همچنین برای اطمینان از نتایج الگوریتم ها بخشی از داده به عنوان داده شاهد کنار گذاشته شد و خطا و ضریب تعیین برای آن محاسبه گردید که مقادیر خطا (MSE) برای شبکه های ترکیبی CNN+LSTM و LSTM+MLP به ترتیب برابر ۹۹/۲۵ و ۵۱/۳۰ و مقادیر ضریب تعیین (R۲) آنها به ترتیب برابر ۸۱/۰ و ۷۷/۰ به دست آمده است. نتایج حاصل بیان کننده کارآیی الگوریتم های یادگیری عمیق معرفی شده در پیش بینی مدول یانگ است ولی در مقایسه دو الگوریتم ارایه شده، الگوریتم CNN+LSTM دقت بالاتر و خطای کمتری دارد.

کلیدواژه ها:

مدول یانگ ، داده های پتروفیزیکی ، الگوریتم CNN+LSTM ، الگوریتم LSTM+MLP ، ارزیابی مدل