پیش بینی پارامتر سرعت موج برشی میانگین از نمودار های پتروفیزیکی با استفاده از روش های یادگیری ماشین

چکیده مقاله

در صنعت نفت و گاز، تجزیه و تحلیل پارامترهای پتروفیزیکی برای مدیریت کارآمد مخازن، بهینه سازی تولید، توسعه استراتژی ها و تخمین دقیق ذخایر هیدروکربنی از اهمیت ویژه ای برخوردار است بدین منظور در این مطالعه، از روش های هوش مصنوعی هوش حسابگر به عنوان ابزارهای پیشرفته برای سنتز و تولید لاگ های پتروفیزیکی DSI استفاده شد در این پژوهش، عملکرد سه الگوریتم یادگیری ماشین شامل شبکه عصبی احتمالاتی Probabilistic Neural Network ، لایت جی بی ام Light Gradient Boosting Machine یا LightGBM و رگرسیون شبکه کشسان Elastic Net Regression در پیش بینی پارامترDTSM ، که یکی از مهم ترین پارامترهای لاگ های آکوستیک در ابزار DSI محسوب می شود، مورد ارزیابی قرار گرفت تحلیل داده های پتروفیزیکی چاه مطالعه شده نشان داد که مدل لایت جی بی ام عملکرد بهتری نسبت به دو مدل دیگر داشته است بنابراین، با توجه به کیفیت بالاتر برآورد DTSM، می توان نتیجه گرفت که الگوریتم لایت جی بی ام می تواند به عنوان یک ابزار کارآمد در تخمین پارامترهای لاگ DSI بر پایه داده های پتروفیزیکی معمول مورد استفاده قرار گیرد این موضوع می تواند گامی موثر در جهت کاهش هزینه ها و افزایش بهره وری در عملیات حفاری و تولید در مخازن نفتی تلقی شود

کلیدواژه‌ها

نویسندگان

امین حسنی افشرد

دانشجوی کارشناسی ارشد، دانشگاه تبریز

علی کدخدائی

استاد تمام، دانشگاه تبریز

رحیم کدخدائی

استاد یار، دانشگاه تبریز

اکبر سهرابی

استاد یار، دانشگاه تبریز

�سنی افشرد، امین و کدخدائی، علی و کدخدائی، رحیم و سهرابی، اکبر،1404،پیش بینی پارامتر سرعت موج برشی میانگین از نمودار های پتروفیزیکی 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