پیش‌بینی تراوایی و خوشه‌بندی اتوماتیک سنگ مخزن؛ بهینه‌سازی شده با الگوریتم ژنتیک
عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
دانشگاه صنعتی سهند
چکیده
مخازن کربناته شکافدار معمولاً رفتار پیچیده‌ای از خود نشان می‌دهند. به دلیل در دسترس بودن و همچنین حجم بالای داده‌های چاه‌پیمایی، تخمین تراوایی از روی این داده‌ها بسیار محبوب شده است. با پیدا کردن رابطه‌ای میان داده‌های چاه پیمایی با FZI یا تراوایی، مقدار تراوایی برای تمامی عمق‌ها قابل پیش‌بینی است. روابط بدست آمده معمولا برای چاه‌های مختلف متفاوت بوده و نیاز است برای هرچاه جداگانه روابط محاسبه شوند. در این مطالعه، 169 مورد از داده‌های حاصل از فرآیند نمودارگیری و آزمایشگاهی مربوط به یکی از مخازن شکاف‌دار جنوب ایران بررسی شده است. با استفاده از الگوریتم جنگل تصادفی تراوایی سنگ مخزن با خطا میانگین مربعات0.009814514 مدلسازی و پیش‌بینی شده است. در مرحله بعد با استفاده از الگوریتم خوشه‌بندی اتوماتیک، داده‌های سنگ مخزن خوشه‌بندی شده، که این فرآیند توسط الگوریتم ژنتیک بهینه‌سازی می‌شود.
کلیدواژه ها
 
Title
Predicting rock permeability and automatic clustering of reservoir rock, optimized by Genetic Algorithm
Authors
Ehsan Bahonar, mohammad dalvand, hekmat paymard
Abstract
Naturally-fractured carbonate reservoirs commonly exhibit complex behavior. Due to availability and a large volume of well log data, permeability prediction using these data has recently become quite popular. By finding a relationship between well logging data and FZI or permeability, the permeability value is predictable for all well depths. The relationships obtained are usually different for different wells and need to be calculated for each well separately. In this study, 169 cases of data obtained from the well logging and laboratory process related to one of the reservoirs in southern Iran have been reviewed. Using the Random Forest algorithm, the permeability of the reservoir rock with an MSE=0.009814514 has been modeled and predicted. Finally, using the automatic clustering algorithm, reservoir rock data are clustered. This process is concurrently optimized by a genetic algorithm.
Keywords
permeability, machine learning, Prediction, FZI, random forest, Well logging