استفاده از دسته بندی کننده knn برای شناسایی رخساره های مخزنی

رخساره های رسوبی نقش مهمی در سرشت نمایی مخازن کربناته ایفا می کنند زیرا خواص جریانی اینگونه مخازن عموماً در ارتباط و انطباق با رخساره های خاصی است. روشهای یادگیری ماشینی ابزارهایی هستند که به صورت گسترده برای استخراج رخساره ها از روی نگارهای چاه پیمایی، در بخشهای فاقد مغزهی این مخازن مورد استفاده قرار می گیرند. اما از آنجا که معیارهایی چون سنگ شناسی، بافت، ساخت و محتوای فسیلی برای تفکیک رخساره ها مورد استفاده قرار میگیرد که هر کدام تأثیر متفاوتی روی پاسخ نگار گذاشته و برآیند پیچیدهای به وجود می آورند، بسیاری از این روشها کارآمد نیستند. در این مطالعه هدف شناسایی رخساره های رسوبی بخش فوقانی سازند سروک با استفاده از قانون knn در سه چاه یکی از میادین بزرگ دشت آبادان بوده که با محدودیت داده های مغزه مواجه است. این سازند در یک محیط رسوبی از نوع رمپ رسوب کرده و بر اساس دو دیدگاه مختلف از 6 یا 4 مجموعه رخساره تشکیل شده که هرکدام در یک محیط رسوبی خاص نهشته شده اند. تغییر رخساره ها در بازه های عمقی کوتاه، محدودیت تعداد نگارهای در دسترس و تغییر پذیری اندک آنها شناسایی رخساره ها را با مشکل روبه رو نموده است. در این مطالعه با استفاده از قانون دسته بندی knn و نتایج مغزه و نگار، الگوریتمی نوشته و اعتبارسنجی شد، در حالت 6 کلاسه دقت دسته بندی کننده برابر 77.51% و در حالت 4 کلاسه دقت 80.98% حاصل شد. کارآیی بالای این روش، توانایی آن برای انجام این هدف و ساخت مدل رسوبی چینه ای مخزن در این میدان و میادین مشابه را نشان می دهد، علاوه بر این تعریف رخساره ها به گونه ای بوده که از خروجی حاصل می توان وضعیت دیرینه ی حوضه را نیز تفسیر کرد.

کلیدواژه ها:

رخساره ، محیط رسوبی ، سروک ، دسته بندی knn