چکیده مقاله
در این پژوهش، هدف اصلی پیش بینی پارامتر آب کاهش نیافتنی Swir با استفاده از داده های لاگ های مرسوم و به کارگیری روش های نوین هوش مصنوعی است به دلیل هزینه های بالا و محدودیت های عملیاتی در ثبت لاگ NMR در تمامی چاه های نفتی، توسعه مدل های جایگزین برای تخمین Swir اهمیت زیادی دارد در این راستا، از الگوریتم های شبکه عصبی مصنوعی ANN ، شبکه احتمالی PNN و گرادیان تقویتی سبک LightGBM استفاده شد ابتدا داده های یک چاه دارای لاگ NMR به عنوان داده مرجع برای آموزش مدل ها به کار گرفته شد سپس مدل های آموزش دیده بر روی چاه هایی که فاقد لاگ NMR بودند مورد آزمون قرار گرفتند تا میزان توانایی آن ها در پیش بینی Swir ارزیابی شود نتایج نشان داد که هر سه روش از دقت قابل قبولی برخوردار هستند و توانسته اند مقادیر Swir را با خطای پایین بازتولید کنند در این میان، مدل ANN با توجه به ساختار انعطاف پذیر خود، عملکرد بهتری در همبستگی نتایج با داده های واقعی نشان داد مدل LightGBM نیز با سرعت محاسباتی بالا و توانایی در پردازش داده های حجیم، گزینه ای کارآمد برای کاربردهای صنعتی محسوب می شود همچنین PNN با ساختار ساده تر خود، در شرایطی که داده های آموزشی محدود باشند، کارایی مناسبی ارائه داد بر این اساس، می توان این روش ها را به عنوان جایگزین های مناسب برای برآورد Swir و بهبود تحلیل های پتروفیزیکی در مخازن نفتی معرفی نمود
کلیدواژهها
نویسندگان
مهدی حجابی
دانشجوی کارشناسی ارشد زمین شناسی نفت،دانشگاه تبریز
علی کدخدائی ایلخچی
استاد تمام،دانشگاه تبریز
رحیم کدخدائی ایلخچی
استادیار، دانشگاه تبریز
اکبر سهرابی
استادیار، دانشگاه تبریز
سوما امین گلوانی
دانشجوی ارشد،دانشگاه تبریز
شیوه ارجاع
�جابی، مهدی و کدخدائی ایلخچی، علی و کدخدائی ایلخچی، رحیم و سهرابی، اکبر و امین گلوانی، سوما،1404،پیش بینی پارامتر SWIR با استفاده از روش های یادگیری ماشین،هفتمین کنفرانس ژئوفیزیک کاربردی در اکتشاف نفت،تهران
ارائهشده در
مجموعه مقالات هفتمین کنفرانس ژئوفیزیک کاربردی در اکتشاف نفت23 مهر 1404 · تهران