برآورد تخلخل سنگ مخزن با استفاده از ماشین های آموزشی براساس داده های چاه
عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
1دانش آموخته کارشناسی ارشد ژئوفیزیک دانشگاه تهران
2استادیار گروه فیزیک زمین
3استاد گروه فیزیک زمین، موسسه ژئوفیزیک دانشگاه تهران
چکیده
تخلخل مشخصه اصلی مخزن و نمایانگر توانایی سنگ در ذخیره سیالات است. رویکرد های تجربی زیادی شامل رگرسیون های خطی/ غیرخطی و تکنیک های گرافیکی برای پیش بینی تخلخل توسعه داده شده اند. در تحقیقات اخیر از شبکه های عصبی مصنوعی (ANNs) برای پیش بینی تخلخل استفاده شده است. شبکه عصبی پرسپترون (MLP) یکی از انواع قدرتمند شبکه های عصبی است و ماشین بردار پشتیبان (SVM) نیز به عنوان یک ماشین کارا شناخته شده است. در این تحقیق این دو ماشین توانمند برای پیش بینی تخلخل مخزن از روی داده های چاه پیمایی استفاده شده اند. قابلیت های هر دو روش به عنوان سیستم های اتوماتیک برای پیش بینی تخلخل مخزن مورد بررسی قرار گرفته است. همان طور که مورد انتظار بود این تکنیک های هوشمند محاسباتی بر ضعف روش های رگرسیون معمول غلبه پیدا کرده اند. به طورکلی، شبکه های عصبی MLP و SVM ثابت کرده اند که هر دو برای انجام دسته بندی، رگرسیون و پیش بینی بسیار مناسب هستند، با این حال نتایج این تحقیق نشان دهنده عملکرد بهتر ماشین بردار پشتیبان نسبت به شبکه عصبی پرسپترون است. بنابراین استفاده از این ماشین های آموزشی برای تخمین تخلخل سنگ مخزن بسیار موثر و سودمند است.
کلیدواژه ها
 
Title
Porosity prediction of reservoir rock using machine learning based on well data
Authors
Mehdi Rafiee, Majid Bagheri, Majid Nabi Bidhendi
Abstract
Porosity is a key factor in reservoir characterizations and represents the capacity of the rock to store the fluids, while lithofacies, describe the physical properties of rocks including texture, mineralogy and grain size. Many empirical approaches, such as linear/non-linear regression or graphical techniques Were developed for predicting porosity. Recently, researches used another tool named Artificial Neural Networks (ANNs) to achieve better predictions. To demonstrate the usefulness of Artificial Intelligence technique in geoscience area, we describe and compare two types of machines, Multilayer Perception Neural Network (MLP) and Support Vector Machine (SVM), in prediction reservoir properties from well log data. This study explores the capability of both paradigms, as automatic systems for predicting reservoir porosity. As it was expected, these computational intelligence approaches overcome the weakness of the standard regression techniques. Generally, the results show that the performances of Support Vector Machine outperform that Multilayer Perceptron neural networks. In addition, Support Vector Machine (SVM) is more robust, easier and quicker to train.
Keywords
Porosity, regression, Artificial Neural Networks, Multilayer Perception Neural Network, Support Vector Machine