تخمین نگاره سرعت موج برشی با استفاده از الگوریتم های یادگیری ماشین
عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
دانشگاه صنعتی سهند
چکیده
دسترسی به سرعت موج برشی در ارزیابی و مطالعه مخازن نفتی دارای اهمیت زیادی است. سرعت‌های برشی (Vs) و تراکمی (Vp) ابزارهایی جهت تشخیص سنگ‌شناسی و تعیین کمیت و کیفیت سیال در مخازن هیدروکربوری بوده است. همچنین نقش مهمی در تفسیر کمی داده‌های لرزه‌نگاری دارد. برداشت سرعت برشی به دلیل هزینه نسبتا بالای آن، لزوما در تمامی چاه‌های نفت و گاز انجام نمی‌گیرد. روش‌های مختلفی برای تخمین موج برشی ارائه شده است که از آن جمله می‌توان روش‌های آزمایشگاهی، تجربی تا روابط فیزیک سنگ را نام برد. در این مطالعه تخمین توسط الگوریتم های یادگیرنده ماشینی، جنگل تصادفی (Random Forest) و ماشین بردار پشتیبان (Support Vector Machine) انجام شده است. از روابط تجربی استفاده شده در این مطالعه روش کاستاگنا و بروچر می‌باشد. در انتها تمامی روش‌ها از نظر میزان میانگین خطا، روش جنگل تصادفی دارای کمترین خطا 0.11- و ماشین بردارپشتیبان 0.25 می‌باشد. با مقایسه نتایج بدست آمده از روابط تجربی و روابط یادشده به دقت بالای الگوریتم‌های ماشینی به خصوص جنگل تصادفی خواهیم رسید.
کلیدواژه ها
 
Title
Estimation of Shear Wave Velocity by Using Machine Learning Algorithms
Authors
mohammad dalvand, Ehsan Bahonar, hekmat paymard
Abstract
Access to shear wave velocity is crucial in the evaluation and study of oil and gas reservoirs. Shear wave velocities (Vs) and compression (Vp) have been tools for lithologic detection and determination of fluid quality in hydrocarbon reservoirs. Moreover, they plays an important role in the quantitative interpretation of seismic data. Shear wave logging is not done in all oil and gas wells because of its high cost. Various methods have been proposed for estimating shear wave such as laboratory, experimental and rock physics relationships. In this study, the estimation was done by machine learning algorithms such as random forest and support vector machines. In the following, the results was compared with rock physics relationships. The empirical relationships that was used in this study are the Castagna and Brocher method. By comparing the results obtained from the empirical relationships and the machine learning models, the high accuracy of the random forest can be concluded.
Keywords
shear-wave velocity- support vector machine- random forest- Castagna and Brocher