انتخاب شبکه عصبی بهینه MLP در تخمین تخلخل و نفوذپذیری مخزن آسماری میدان نفتی اهواز با استفاده از تکنیک آماری Bootstrapping

تخمین پارامتر های پتروفیزیکی مخزن برای ارزیابی و برآورد ذخیره ی هیدرو کربوری از اهمیت خاصی برخوردار است . در این تحقیق تخلخل و نفوذپذیری افقی مغزه به عنوان مهمترین پارامترهای پتروفیزیکی در مخزن آسماری از میدان نفتی اهواز با استفاده از شبکه های عصبیMLP-FFBPکلاسیک، آماری مبتنی برBootstrap و PCA شده مورد تخمین و مقایسه قرار گرفته است. در آموزش و اعتبارسنجیشبکه های فوق از دادههای چاهنگاری عمق، کالیپر، مقاومت ویژه عمیق، صوتی، گامای طبیعی، چگالی و نوترون بهمراه پارامترهای تخمینی اشباع آب، حجم شیل و نوع لیتولوژی بعنوان ورودی و مقادیر تخلخل و نفوذپذیری مغزه های حفاری موجود از مجموع 19 چاه اکتشافی به عنوان خروجیها استفاده گردید. نتایج اعتبارسنجی تخمینهای حاصل از روش شبکه عصبیBootstrapشده نشانگر برتری نسبی این شبکه درمقایسه با شبکه های عصبی کلاسیک در تخمین تخلخل و نفوذپذیری مغزه بوده است. در نهایت شبکه های عصبی بهینهBootstrap شده جهت تخمین نفوذپذیری و تخلخل با 11 ورودی بترتیب دارای 24 و 2 نرون در لایه پنهان و انطباق 78 و 73 درصد در مرحله تست شبکه تعیین گردید

کلیدواژه ها:

تخلخل_ نفوذپذیری_ شبکه های عصبیBootstrap و MLP-FFBP ، شبکههایعصبی-آماری مبتنی برPCA