پیش‌بینی تراوایی سنگ مخزن با استفاده از روش‌های عدم قطعیت: سیستم فازی نوع دو

تراوایی یا نفوذپذیری خاصیتی از سنگ مخزن است که به جریان سیال از سنگ مخزن می‌پردازد و از فاکتورهای مهم در تولید نفت و گاز از مخزن به حساب می‌آید. این پارامتر در شرایط آزمایشگاهی از طریق مغزه‌گیری به دست می‌آید که روشی پرهزینه و زمان‌بر است و همچنین برای همه چاه‌های موجود در یک میدان نفتی امکان‌پذیر نیست. امروزه این پارامتر را با استفاده از داده‌های لاگ پتروفیزیکی به روش‌های آماری و هوشمند محاسبه می‌کنند. در این مقاله از الگوریتم‌های هوشمند جهت پیش‌بینی تراوایی با استفاده از لاگ‌های پتروفیزیکی استفاده شده است. این پژوهش بر روی داده‌های چهار چاه کنگان و دالان واقع در میدان پارس جنوبی انجام شده است. از مجموع هشت ویژگی استخراج شده از هر چاه، با استفاده از روش انتخاب ویژگی مبتنی بر همبستگی، چهار ویژگی موثر در هر چاه انتخاب شدند. سپس از روش‌های رگرسیون، شبکه عصبی چندلایه، شبکه عصبی rbf(radial basis function) ، مدل درخت خطی محلی (lolimot: local linear model trees)، سیستم فازی نوع یک و سیستم فازی نوع دو برای پیش‌‌بینی تراوایی استفاده شد. نتایج نشان داد که با توجه به وجود عدم قطعیت در پارامترهای پتروفیزیکی و تراوایی، سیستم فازی نوع دو عدم قطعیت‌ها را بهتر پوشش می‌دهد. این روش در حالت پایه، تراوایی را با دقت 9481/0 و ریشه دوم میانگین مربعات خطای 3060/0 پیش‌بینی کرد. با استفاده از روش ترکیبی gsaga (gravitational search algorithm-genetic algorithm)، تعداد قواعد فازی و نیز با استفاده از روش خوشه‌بندی k-means، توابع عضویت فازی بهبود یافت و این بهبودها منجر به افزایش دقت پیش‌بینی تراوایی با ضریب تعیین 0/9768 و کاهش ریشه دوم میانگین مربعات خطا به مقدار 0/1602 شد.

Estimation of permeability using uncertainty methods: type 2 fuzzy system

Permeability is a property of the reservoir rock, which deals with the flow of fluid from the reservoir and is an important factor in oil and gas production. This parameter is measured via coring and core laboratory analysis, which is an expensive and timeconsuming process and also is not a feasible approach for every oil and gas field. Nowadays, the permeability can also be calculated using the data of petrophysical logs by means of statistical and intelligent techniques. The present study uses four wells drilled in Kangan and Dalan formations within South Pars gas field to predict permeability using fuzzy logic. Out of totally eight features extracted from each well, four more effective features were selected using correlationbased feature selection tools. Then, regression, multilayer perceptron, RBF neural network, Local Linear Model Trees (LOLIMOT), type1 and type 2 fuzzy systems were utilized for permeability prediction. The results indicated that due to the uncertainty in the petrophysical and permeability parameters, type2 Fuzzy systems cover better the uncertainties. The aforementioned method predicts the best number of rules using the GSAGA (Gravitational Search Algorithm Genetic algorithm) combined algorithms. Fuzzy membership functions were also improved using the Kmeans clustering algorithms. These improvements led to increased accuracy of the predicted permeability with a coefficient of 0.9768, and a decrease in the root mean square error to 0.1602.