ارزیابی تطبیقی و بهینه سازی مدل های یادگیری ماشین در تخمین گرانروی نفت مرده

درک گرانروی نفت نقشی اساسی در حل چالش های متنوع مهندسی مخزن دارد. اندازه گیری تجربی این ویژگی عموما پرهزینه و زمان بر است و ازاین رو، توسعه مدل های پیش بینی دقیق و کارآمد اهمیت ویژه ای دارد. در این پژوهش، افزون بر توسعه یک شبکه عصبی پرسپترون چندلایه برای برآورد گرانروی نفت مرده و ارزیابی ده تابع بهینه سازی، عملکرد مدل های یادگیری ماشین دیگر شامل جنگل تصادفی، گرادیان بوستینگ و برازش بردار پشتیبان نیز مقایسه گردید. برای شبکه عصبی پرسپترون چندلایه، تاثیر ابرپارامترهای کلیدی نظیر نرخ یادگیری، تعداد لایه های پنهان و پیکربندی نورون ها به صورت نظام مند بررسی شد تا ساختار بهینه تعیین گردد. نوآوری اصلی پژوهش، به کارگیری هم زمان ویژگی های فیزیکی-شیمیایی و ویژگی های ترکیبی برش های مختلف نفت خام (از سبک تا سنگین) در قالب مجموعه داده ای جامع شامل ۲۲۹۹ نمونه است که به افزایش دقت و تعمیم پذیری مدل ها منجر شد. نتایج نشان داد الگوریتم گرادیان بوستینگ با دست یابی به تعادل میان دقت و توان تعمیم دهی، بهترین عملکرد کلی را ارائه می دهد (۸۲۶۶/۰=R² ، ۰۰۱۲/۲ =RMSE و ۵۰۰۴/۳ =AAPRE در داده های آزمایش). مدل جنگل تصادفی نیز با ثبت مقدار ۸۱۹۱/۰ =R² در داده های آزمایش، عملکردی رقابتی داشت، هرچند در مرحله آموزش (۹۷۴۹/۰=R²) نشانه هایی از بیش برازش مشاهده شد. مدل MLP-AdamW با ۸۵۴۱/۰=R² و ۸۰۶۴/۱ =RMSE در داده های آزمایش دقت قابل توجهی ارائه داد و نشان داد شبکه های عصبی در شناسایی روابط غیرخطی میان متغیرها موثر هستند، هرچند حساسیت بیشتری نسبت به ناهمگنی داده ها دارند. در مقابل، مدل SVR به دلیل ماهیت نسبتا خطی خود، پایین ترین دقت را در داده های غیرخطی و حجیم نشان داد (۷۶۹۹/=۰ R²). بر این اساس، می توان نتیجه گرفت که الگوریتم گرادیان بوستینگ با بهره گیری از یادگیری مرحله ای و جلوگیری از بیش برازش، گزینه بهینه برای پیش بینی گرانروی نفت مرده در داده های وسیع محسوب می شود.

کلیدواژه ها:

گرانروی ، یادگیری ماشین ، شبکه عصبی پرسپترون چند لایه ، جنگل تصادفی ، گرادیان بوستینگ ، برازش بردار پشتیبان