استفاده از روشهای هوش مصنوعی یادگیری ماشین در تخمین شکنندگی سازند

شکنندگی، یک پارامتر ژئومکانیکی حیاتی در مطالعات مخزن، معمولا مستلزم داده های پرهزینه یا نادر مانند مغزه یا لاگهای صوتی است. این پژوهش یک رامحل جایگزین و مقرون به صرفه مبتنی بر یادگیری ماشین را معرفی می کند که قادر است شکنندگی را به طور مستقیم از لاگهای متداول و در دسترس (گاما) تخلخل، نوترون چگالی و مقاومت پیش بینی نماید. در موارد فقدان لاگهای صوتی، استراتژی مورد استفاده سنتز این لاگها از داده های متداول به عنوان مرحله میانی است. ارزیابی چهار الگوریتم یادگیری ماشین تقویت گرادیان، رگرسیون بردار پشتیبانی، شبکه های عصبی دقت بسیار بالای مدل ها را با ضریب تعیین (R۲) حدود ۰.۹۴ نشان داد. این چارچوب قابل تعمیم به پیش بینی سایر خواص مخزن بوده و پتانسیل استفاده برای توصیف ناهمگونی های مخزن از طریق ادغام با داده های لرزه ای را دارا می باشد.

کلیدواژه ها:

هوش مصنوعی مخازن نفت ، لاگهای ژئوفیزیکی ، شکستگی سنگ