مقایسه کارکرد شبکه های عصبی مرسوم برای برآورد تخلخل در یکی از میدان های نفتی جنوب خاوری ایران

در صنعت نفت از هوش مصنوعی برای شناسایی روابط، بهینه سازی، برآورد و رده بندی تخلخل بهره گیری می شود. یکی از مهم ترین مراحل ارزیابی پارامترهای پتروفیزیکی مخزن، شناسایی ویژگی های تخلخل است. هدف اصلی این پژوهش مقایسه درستی و تعمیم پذیری سه شبکه عصبی چند لایه پیش خور (MLFN)، شبکه تابع شعاع مبنا (RBFN) و شبکه عصبی احتمالی (PNN) برای برآورد تخلخل با بهره گیری از ویژگی های لرزه ای است. در این راستا، داده های زمین شناسی ۷ حلقه چاه یک میدان نفتی فراساحلی هندیجان در شمال باختری حوضه خلیج فارس مورد ارزیابی قرارگرفت. امپدانس آکوستیک با بهره گیری از روش وارونگی مبتنی بر مدل برآورد شد و سپس شبکه های عصبی یاد شده با بهره گیری از ویژگی های لرزه ای بهینه طراحی شده و با روش رگرسیون گام به گام مورد ارزیابی قرار گرفتند. سرانجام مشخص شد که مدل MLFN برای برآورد تخلخل خوب عمل نمی کند. PNN از بهترین دقت کارکرد در درون یابی تخلخل برخوردار است، اما تعمیم پذیری RBFN بهتر است.

کلیدواژه ها:

برآورد تخلخل ، بازگردانی لرزه ای ، MLFN ، RBFN ، PNN