طراحی مدل گروهی تخمین تراوایی مخزن هیدروکربوری با استفاده از نگاره های پتروفیزیکی بر اساس تفکیک لیتولوژیکی
محل انتشار: نشریه علمی ژئومکانیک نفت، دوره: 4، شماره: 2
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 100
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IRPGA-4-2_005
تاریخ نمایه سازی: 22 شهریور 1401
چکیده مقاله:
تراوایی یا نفوذپذیری، یکی از خصوصیات مهم مخازن نفت و گاز است که پیش بینی آن دشوار میباشد. در حال حاضر از مدل های تجربی و رگرسیونی برای پیش بینی تراوایی استفاده می شود، از سوی دیگر افزایش دقت در پیش بینی تراوایی جهت نقاطی که فاقد نمونه مغزه است از اهمیت ویژهای در تحلیل رفتار مخزن برخوردار است. در چند وقت اخیر، به دلیل قابلیت پیش بینی بهتر، از الگوریتم های یادگیری ماشین برای پیش بینی تراوایی استفاده شده است. در این مطالعه، مدل یادگیری ماشین گروهی جدیدی برای پیش بینی تراوایی در مخازن نفت و گاز معرفی شده است. در این روش، داده های ورودی با استفاده از اطلاعات لیتولوژی لاگ ها برچسب گذاری شده و به تعدادی از خوشه ها تفکیک می شوند و هر خوشه توسط الگوریتم یادگیری ماشین مدل سازی شد. برخلاف مطالعات قبلی که به صورت مستقل روی مدل ها کار می کردند در اینجا ما ضمن طراحی یک مدل گروهی با استفاده از الگوریتم های رگرسیون درخت تصمیم افزوده (ETR)، رگرسیون درخت تصمیم (DTR) و رگرسیون گرادیان تقویت شده (GBR) و داده های پتروفیزیکی، توانستیم صحت و دقت پیش بینی همچنین خطای میانگین مربعات را به طرز چشم گیری بهبود ببخشیم و تراوایی را با دقت ۹۹.۸۲ درصد پیش بینی کنیم. نتایج نشان داد که مدل های گروهی در بهبود دقت پیشبینی تراوایی در مقایسه با مدل های انفرادی تاثیر فراوانی دارند و همچنین تفکیک نمونه ها بر اساس اطلاعات لیتوژی، دلیلی بر بهینه نمودن تخمین تراوایی نسبت به تحقیقات گذشته بود.
کلیدواژه ها:
نویسندگان
عباس سلحشور
مهندسی صنایع/ دانشکده مهندسی صنایع/ دانشگاه ایوانکی
احمد گایئنی
دانشکده ی مهندسی صنایع، مهندسی صنایع، دانشگاه ایوانکی
علیرضا شاهین
دانشکده ی علوم، زمین شناسی، دانشگاه اصفهان
مصیب کمری
مهندس ارشد پتروفیزیک / شرکت ملی مناطق نفت خیز جنوب
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :