مهدی علامه - فارغ التحصیل کارشناسی ارشد مکانیک سنگ، دانشگاه صنعتی شاهرود
احمد رمضان زاده - دانشیار دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود
بهزاد تخم چی - دانشیار دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود

تخمین سرعت موج برشی با استفاده از پارامترهای پتروفیزیکی در اکتشافات نفت با توجه به پرهزینه بودن برداشت این نگار، از اهمیت بالایی برخوردار است. با توجه به اینکه سرعت موج برشی از پارامترهای مختلف سنگ از جمله سیال منفذی، تخلخل و... تاثیر می پذیرد، این پارامتر یکی از مهم ترین ورودی ها برای محاسبه پارامترهای ژئومکانیکی در فرآیند مدل سازی و مطالعات ژئومکانیکی مخازن نفت و گاز می باشد. با تعیین این پارامتر می توان به مدل سازی ژئومکانیکی پرداخت که نقش مهمی در شناخت علل شکستگی های مخزنی و مسائلی نظیر پایداری دیواره چاه و عملیات شکافت هیدرولیکی مخزن دارد. لذا استفاده از روش مناسب جهت تخمین آن در چاه هایی که فاقد این نگار می باشند، بسیار اهمیت دارد. در این پژوهش به تخمین سرعت موج برشی با استفاده از شبکه عصبی MLP به عنوان روشی قدرتمند در زمینه هوش مصنوعی، با استفاده از داده های دو چاه مخزن آسماری میدان لالی، پرداخته شد. نتایج حاصل از این مطالعه نشان می دهد که MLP می تواند الگوهای موجود را فرا گرفته و از آن ها برای تخمین مقدار متغیرهای ژئومکانیکی در نقاط دیگر استفاده کند. مقادیر سرعت موج برشی تخمین زده شده با استفاده از این روش ۹۱ درصد با مقادیر اندازه گیری شده همبستگی دارند.

سرعت موج برشی، مدل سازی ژئومکانیکی، شبکه عصبی، MLP