توسعه تکنیکی جدید جهت تعیین و پیشبینی نفوذپذیری مخازن کربناته بر پایه هوش مصنوعی

مخازن کربناته نفت،معمولا دارای نفوذپذیری و قابلیت تولید کمتری نسبت به مخازن ما سه سنگی هستند، بنابراین شکستگیهای طبیعی موجود در چنین مخازنی، تاثیراتی شگرف بر بازیابی منابع و نرخ تولید سیال خواهند داشت. بنابراین، تعیین کمیت نفوذپذیری موثر در توصیف مخزن و مدلسازی رژیم جریان مخازن کربناته ضروری است. این تحقیق، یک مدل جدید هوش مصنوعی برای پیشبینی نفوذپذیری در مخازن کربناته ناهمگن ارائه میدهد. به طوری که، مجموعه داده ای شامل برداشت ۲۰۰ نقطه از یک مخزن کربناته گردآوری شده ا ست. متغیرهای ورودی شامل تخلخل ( ، %)، سطح ویژه Sp)، (cm-۱ و ا شباع آب غیرقابل تقلیل Swir)، %) میباشد. این متغیرها با استفاده از روش گروهی مدیریت داده(GMDH) ۱ ارزیابی میشوند.الگوریتم مذکور، یک شبکه عصبی چندجمله ای را به روشی جدید توسعه داده که شامل سه لایه پنهان است و این کار، دقت پیشبینی را افزایش داده و قابلیتهای یادگیری عمیق را بهبود میبخشد. به طوری که براساس روش پیشنهادی، مقدار مربع ضریب همبستگی۰/۹۹۲۱ (R۲) ۲ و مجذور میانگین مربعات خطا(RMSE) ۳۱۳/۷ میلی دار سی برای پیش بینی نفوذپذیری به د ست آمده ا ست. این مدل را میتوان به آ سانی برای سایر مجموعه داده های میدانی جهت تخمین نفوذپذیری تعمیم داد.