طراحی سنسور نرم افزاری جهت تخمین تخلخل مخازن نفتی با استفاده از الگوریتم GWO-ANN

شبکه عصبی مصنوعی ابزاری قدرتمند جهت یافتن الگوهای پیچیده می باشد. هدف انجام این پژوهشارایه روش نوین و کارآمد GWO-ANN برای طراحی سنسور نرم افزاری جهت تخمین تخلخل موجود در مخزن به عنوان یکی از شاخص ترین خصوصیات پتروفیزیکی جهت مشخص نمودن میزان هیدروکربن موجوددر مخزن، می باشد. در این روش با استفاده از لاگ اشعه ایکس ، لاگ کالیپر، لاترولاگ عمیق، لاترولاگ کمعمق و عمق متناظر لاگ ها در حین نمودار گیری، که به عنوان متغییرهای ورودی سنسور نرم افزاری در نظرگرفته شده اند، میزان تخلخل در عمق متناظر تخمین زده می شود. بدین منظور در ابتدا از 50 درصد از دادهها (450 داده) جهت آموزش شبکه عصبی مصنوعی پرسپترون با یک لایه مخفی که به واسطه الگوریتم بهینهسازی گرگ خاکستری در طی یک فرایند تکرار پذیر بهینه می گردد، استفاده شده است، سپس با استفادهاز 50 درصد مابقی داده ها، کارایی و دقت سنسور نرم افزاری طراحی شده، تست می شود. نتایج حاصل از اینکار همچنین با نتایج حاصل از سنسور نرم افزاری طراحی شده توسط شبکه عصبی مصنوعی که با استفاده ازروش معمول لونبرگ مارکارد آموزش دیده است، مقایسه شده است. نتایج نشانگر کارایی سنسور نرم افزاریجهت تخمین الگوی توزیع تخلخل مخزن با استفاده از داده های استخراج شده از لاگ های مذکور و همچنیندقت بالای الگوریتم GWO-ANN نسبت به شبکه عصبی مصنوعی آموزش یافته به واسطه روش لونبرگ ماکارد می باشد.

کلیدواژه ها:

سنسور نرم افزاری ، الگوریتم بهینه سازی گرگ خاکستری ، تخلخل ، پرسپترون چند لایه