چکیده مقاله
پارامترهای آرچی، شامل ضریب مقاومت سازند FRF و ضریب سیمان شدگی m ، در ارزیابی مخازن هیدروکربنی، به ویژه در تخمین خواص پتروفیزیکی و بهینه سازی تولید، از اهمیت زیادی برخوردارند این پژوهش یک روش ترکیبی مبتنی بر یادگیری ماشین را برای تخمین این پارامترها در فشارهای مختلف محیطی، ۸۰۰، ۲۰۰۰، ۳۵۰۰ و ۵۵۰۰ psi با بهره گیری از داده های نمودارگیری ارائه می دهد داده های لاگ و مغزه پس از ادغام، با استفاده از تکنیک های پیش پردازش نظیر شناسایی مقادیر پرت با روش دامنه بین چهارمی IQR پردازش شدند ویژگی ها لاگ ها بر اساس همبستگی آن ها با پارامترهای آرچی انتخاب شدند تا مجموعه ای بهینه از متغیرها برای مدل سازی فراهم شود روش جنگل تصادفی برای تکمیل داده های چاه های مغزه دار و شبکه عصبی مصنوعی برای پیش بینی پارامترها در چاه های بدون مغزه به کار گرفته شد در این مطالعه، ضریب تعیین R² برای FRF بین ۶۷/۰ تا ۹۵/۰، با بالاترین مقدار در فشار محیطی و پایین ترین مقدار در فشار ۵۵۰۰ psi، و برای m حدود ۹۷/۰ در تمامی فشارها به دست آمد درصد خطای مطلق میانگین MAPE برای FRF بین ۲۶/۵% تا ۰۵/۹%، با کمترین خطا در فشار ۲۰۰۰ psi و بیشترین خطا در فشار ۵۵۰۰ psi، و برای m بین ۵۳/۱% تا ۷۱/۱%، با کمترین خطا در فشار ۵۵۰۰ psi و بیشترین خطا در فشار ۲۰۰۰ psi، حاصل شد که نشان دهنده دقت قابل قبول روش شبکه عصبی است این روش پتانسیل قابل توجهی برای ارزیابی مخازن کربناته و کاهش هزینه های مرتبط با نمونه برداری مغزه دارد و می تواند به عنوان ابزاری کارآمد در صنعت نفت به کار رود
کلیدواژهها
نویسندگان
ضحی سادات سجادی
دانشجوی کارشناسی ارشد مهندسی اکتشاف نفت، دانشگاه صنعتی امیرکبیر، دانشکده مهندسی نفت و زمین انرژی
هادی مهدوی بصیر
استادیار، دانشگاه صنعتی امیرکبیر، دانشکده مهندسی نفت و زمین انرژی
علی کدخدایی ایلخچی
استاد، دانشگاه تبریز، دانشکده علوم طبیعی، گروه علوم زمین
شیوه ارجاع
�جادی، ضحی سادات و مهدوی بصیر، هادی و کدخدایی ایلخچی، علی،1404،تخمین پارامترهای آرچی با استفاده از داده های نمودارگیری و الگوریتم های یادگیری ماشین در یک مخزن کربناته در جنوب ایران،هفتمین کنفرانس ژئوفیزیک کاربردی در اکتشاف نفت،تهران
ارائهشده در
مجموعه مقالات هفتمین کنفرانس ژئوفیزیک کاربردی در اکتشاف نفت23 مهر 1404 · تهران