استفاده از ماشین بردار پشتیبان بر پایه تابع شعاعی برای تخمین نفوذپذیری سنگ مخزن
عنوان دوره: هجدهمین کنفرانس ژئوفیزیک ایران
کد مقاله : 1354-NIGS
نویسندگان
چکیده
یکی از خصوصیات بسیار مهم سنگ مخزن نفوذپذیری است. این پارامتر نقشی اساسی در ارزیابی نرخ تولید مخزن، عملکرد میادین و مدیریت و توسعه مخزن ایفا می کند. در واقع این خاصیت بیانگر توانایی عبور سیال از محیط متخلخل است بدون آن که در ساختمان سنگ تغییری ایجاد شود یا اینکه سیال جایگزین بخش هایی از آن گردد. نفوذپذیری عمدتاً از طریق اندازه گیـری هـای آزمایشـگاهی از روی مغـزه یـا داده های چاه آزمایی به دست می آید. با این حال، به دلیل هزینه زیاد و فراوانی کم این نوع از داده ها، پیش بینی نفوذپذیری با اسـتفاده از داده های چاه نگاری از جایگاه ویژه ای برخوردار است. نفوذپذیری با استفاده از یک مدل رگرسیونی تحت عنوان ماشین بردار پشتیبان با استفاده از تابع پایه شعاعی به کمک داده های چهار چاه در میدان مذکور محاسبه شده است. ضریب همبستگی بین مقادیر نفوذپذیری واقعی و مقادیر تخمین زده شده برای هرکدام از رخساره های الکتریکی در محل چاه شماره چهار محاسبه شد. مقادیر بالای بدست آمده برای ضریب همبستگی توانایی و دقت زیاد روش مورد استفاده برای تخمین نفوذپذیری را تایید کرد.
کلیدواژه ها
Title
Using support vector machine (SVM) based on radial basic function for permeability prediction of reservoir rock
Authors
Abstract
Permeability is one of the most important hydrocarbon reservoir’s characters. This parameter plays a fundamental role in assessing the production rate of a reservoir, field performance, and reservoir management and development. In fact, this property indicates the ability to pass fluid from the porous medium without changing the structure of the building or replacing it with parts of it. Permeability is mainly obtained through laboratory measurements on the core or well data. However, because of the high cost and low frequency of this type of data, using of well logging data has a particular importance in permeability prediction. In the following, permeability was calculated using a regression model called support vector machine based on radial basic function using data from four wells in the aforementioned field. To enhance the model's generalizability, the data of three wells was used to train the regression model whereas well number four was hidden and also was used to evaluate the efficiency and accuracy of the model. To do that, the correlation coefficient was calculated between the actual and estimated permeability values for each electro-facies in well number four. High values of correlation coefficient confirmed the ability and accuracy of the proposed method for permeability prediction.
Keywords
permeability, well logs, Support Vector Machine, Radial basic function, correlation coefficient