طبقه‌بندی رخساره لرزه‌ای در یک مخزن هیدروکربنی با استفاده از الگوریتم جنگل تصادفی (Random Forest)

عنوان دوره: پنجمین همایش ژئوفیزیک اکتشافی نفت
کد مقاله : 1802-NIGS
نویسندگان
موسسه ژئوفیزیک دانشگاه تهران
چکیده
یکی از اهداف مهم تفسیر داده‌های لرزه‌ای ارزیابی پتروفیزیکی زون‌های یک مخزن می‌باشد که برای استخراج اطلاعات مهم در خصوص ساختار و سنگ‌شناسی مخزن مفید واقع شده و سبب بهبود تفسیر لرزه‌ای می‌گردد. تعیین رخساره‌های الکتریکی مخزنی نقش مهمی در ارزیابی پتروفیزیکی زون‌های یک مخزن دارد. اطلاعاتی که از روی نمودارهای چاه پیمایی استخراج می‌شود می‌تواند به‌صورت رخساره‌های الکتریکی تقسیم‌بندی (طبقه‌بندی) شوند. در این تحقیق در میان استراتژی‌های یادگیری تحت نظارت مختلف ، از یک الگوریتم جنگل تصادفی (RF) استفاده می‌شود که مجموعه‌ای از درختان تصمیم‌گیری است ، و عموماً از طریق جمع‌آوری بوت استراپ آموزش داده می‌شوند. مزیت الگوریتم درخت تصمیم این است که اندازه‌گیری کمی از اهمیت یا زائد بودن هر ویژگی در فرایند یادگیری را به ما می‌دهد.
برای انجام این کار، یک الگوریتم یادگیری نظارت که از اطلاعات قبلی که برای مفسر شناخته شده است بهره می‌برد با استفاده از ویژگی‌های لرزه‌ای برای تخمین رخساره‌های لرزه‌ای پیاده‌سازی می‌شود. یادگیری تحت نظارت مجموعه داده‌های آموزشی در الگوریتم نظارت شده شامل داده‌های ورودی و برچسب‌هایی است که مقادیر پاسخ ورودی است. ابتدا لاگ های چاه را برای به نقشه در آوردن رخساره‌ها با استفاده از الگوریتم جنگل تصادفی (RF) انجام می‌شود سپس پس از ایجاد ارتباط و هماهنگی میان داده‌های چاه و داده‌های لرزه‌ای، رخساره‌های تعیین‌شده با استفاده از نشانگرهایی لرزه‌ای به مقطع لرزه‌ای تعمیم داده می‌شود.
کلیدواژه ها
 
Title
Classification of seismic facies using random forest algorithm in a hydrocarbon reservoir
Authors
kasra nazmehr
Abstract
One of the important purposes of interpreting seismic data is the petrophysical evaluation of zones of a reservoir, which is useful for extracting important information about the structure and lithology of the reservoir and improves seismic interpretation. Determination of reservoir electrical facies plays an important role in the petrophysical evaluation of reservoir zones. The information extracted from well drilling diagrams can be classified as electrical facies. In this research, among various supervised learning strategies, a random forest (RF) algorithm is used, which is a set of decision trees, and is generally taught through bootstrap collection. The advantage of the decision tree algorithm is that it gives us a small measure of the importance or redundancy of each feature in the learning process. To do this, a monitoring learning algorithm that utilizes prior information known to the interpreter is implemented using seismic properties to estimate seismic facies. Supervised learning The instructional data set in the supervised algorithm includes input data and labels that contain input response values. First, well logs are performed to map facies using random forest (RF) algorithm. Then, after establishing communication and coordination between well data and seismic data, the determined facies are generalized to the seismic section using seismic markers.
Keywords
Electrical facies, random forest (RF) algorithm, decision trees, monitoring learning