ابوالقاسم کامکار روحانی - دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود، ایران
محمود ذاکری - دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود، شاهرود، ایران

برای به دست آوردن نتایج دقیق­تر از به کارگیری روش شبکه­های عصبی مصنوعی، به جای انتخاب نتایج بهترین شبکه حاصل از فرایند سعی و خطا، نتایج چندین شبکه به روشی مناسب با هم ترکیب شده است تا شاید سامانه چند­شبکه­ای حاصل، که از آن با عنوان ماشین کمیته­ای تعبیر می­شود، خطا را کاهش و درنتیجه، دقت را افزایش دهد. در این پژوهش، برای برآورد تخلخل موثر سنگ مخزن گازی کنگان در میدان عظیم هیدروکربنی پارس جنوبی، از ترکیب آنسامبلی شبکه­های عصبی مصنوعی که نوعی ماشین کمیته­ای با ساختار موازی است، استفاده شده است. به این منظور، داده­های نگارهای صوتی، چگالی، پرتو گاما و تخلخل نوترونی به عنوان ورودی شبکه­ها و تخلخل موثر به عنوان خروجی شبکه­ها از ۴ چاه این میدان در بازه عمقی سازند کنگان انتخاب شدند. شبکه­های عصبی پس­انتشار خطا با ساختارهای متفاوت به روش مرتب­سازی آموزش داده شد و توان تعمیم آنها ارزیابی شد. آنگاه شبکه هایی که بهترین نتایج، یعنی کمترین میانگین مربعات خطای برآورد در مرحله آزمون را داشتند، برای ساخت ترکیب­های آنسامبلی انتخاب شدند. برای تعیین ضرایب شبکه­های جزء ترکیب­های آنسامبلی خطی، سه روش میانگین­گیری ساده، روش ترکیب خطی بهینه هاشم و روش غیرتحلیلی ترکیب خطی بهینه با استفاده از الگوریتم ژنتیک به کار برده شده و نتایج آنها با هم مقایسه شد. از مقایسه نتایج ترکیب­ها با بهترین شبکه عصبی مصنوعی منفرد حاصل، مشخص شد که بهترین ترکیب آنسامبلی حاصل، ترکیبی چهار­شبکه­ای است که ضرایب شبکه­های جزء آن با استفاده از الگوریتم ژنتیک تعیین شده است. این ترکیب توانسته میانگین مربعات خطای برآورد الگوهای آموزش و آزمون را به ترتیب ۶/۳ درصد و ۲/۱۱ درصد نسبت به بهترین شبکه عصبی منفرد کاهش دهد.

سازند کنگان, تخلخل, نگارهای چاه, شبکه عصبی مصنوعی, روش آموزش مرتب سازی, ماشین کمیته ای, ترکیب آنسامبلی, الگوریتم ژنتیک