اندازه گیری درجه اشباع نفت در مخازن کربناته با استفاده از شبکه هوش مصنوعیMLP

درجه اشباع نفت یکی از پارامترهای کلیدی در مهندسی نفت جهت محاسبه حجم هیدروکربن مخزن و همچنین کاهش ریسک اقتصادی محسوب می شود. به دلیل هزینه بر بودن اندازه گیری این پارامتر با استفاده از عملیات مغزه گیری و آنالیز مغزه، و همچنین ارائه مقادیری ناپیوسته از طول چاه، استفاده از نمودارهای چاه پیمایی مورد توجه قرار گرفته است. اولین تلاش ها در این زمینه توسط آرچی صورت گرفت، که همچنان نیز برای محاسبه درجه اشباع نفت در مخازن با لیتولوژی عاری از شیل از این روش استفاده می شود و در مخارن ماسه سنگی با دقت مناسبی پاسخگو می باشد. مخازن کربناته بر خلاف مخازن ماسه سنگی دارای ناهمگنی زیادی در شکل و اندازه ی فضای متخلخل و نحوه ی اتصال این فضاها با یکدیگر می باشد که باعث می شود محاسبه درجه اشباع هیدروکربن بسیار پیچیده گردد و با خطای زیادی نیز همراه باشد. با گسترش روز افزون کاربرد و بهبود روش های هوشمند در مسائل مهندسی، در مهندسی نفت نیز باه ایان روش ها جهت اندازه گیری خواص پتروفیزیکی مخزن توجه شده است. در این مطالعه ما از یک مدل شبکه هوش مصنوعی MLPبرای تخمین درجه اشباع آب با استفاده از داده های نمودارهای معمول چاه پیمایی استفاده نموده ایام و در یک مطالعه موردی، در یکی ازمخازن کربناته جنوب غربی نتایج این مدل را با نتایج آنالیز مغزه مقایسه کرده ایم. با بررسی داده های آزمایش نتایج نشان می دهند که این روش با رسیدن به خطای مربعات میانگین برابر0/023 و یک ضریب کرولیشن0/93 از دقت بالایی در تخمین درجه اشباع نفت برخوردار می باشد در حالیکه روش های معمول مانند روش آرچی دارای خطای مربعات میانگین برابر 0/12 و یک ضریب کرولیشن 0/41 می باشد که نشان از توانایی بالای مدل MLP نسبت به روش های معمول تجربی می باشد.