پیش بینی پارامتر سرعت موج برشی میانگین از نمودار های پتروفیزیکی با استفاده از روش های یادگیری ماشین

در صنعت نفت و گاز، تجزیه و تحلیل پارامترهای پتروفیزیکی برای مدیریت کارآمد مخازن، بهینه سازی تولید، توسعه استراتژی ها و تخمین دقیق ذخایر هیدروکربنی از اهمیت ویژه ای برخوردار است. بدین منظور در این مطالعه، از روش های هوش مصنوعی (هوش حسابگر) به عنوان ابزارهای پیشرفته برای سنتز و تولید لاگ های پتروفیزیکی DSI استفاده شد. در این پژوهش، عملکرد سه الگوریتم یادگیری ماشین شامل شبکه عصبی احتمالاتی (Probabilistic Neural Network) ، لایت جی بی ام(Light Gradient Boosting Machine یا (LightGBM و رگرسیون شبکه کشسان (Elastic Net Regression) در پیش بینی پارامترDTSM ، که یکی از مهم ترین پارامترهای لاگ های آکوستیک در ابزار DSI محسوب می شود، مورد ارزیابی قرار گرفت. تحلیل داده های پتروفیزیکی چاه مطالعه شده نشان داد که مدل لایت جی بی ام عملکرد بهتری نسبت به دو مدل دیگر داشته است. بنابراین، با توجه به کیفیت بالاتر برآورد DTSM، می توان نتیجه گرفت که الگوریتم لایت جی بی ام می تواند به عنوان یک ابزار کارآمد در تخمین پارامترهای لاگ DSI بر پایه داده های پتروفیزیکی معمول مورد استفاده قرار گیرد. این موضوع می تواند گامی موثر در جهت کاهش هزینه ها و افزایش بهره وری در عملیات حفاری و تولید در مخازن نفتی تلقی شود.

کلیدواژه ها:

لاگ های پتروفیزیکی ، شبکه عصبی احتمالاتی ، لاگ های آکوستیک ، رگرسیون شبکه کشسان