مقایسه کارکرد شبکه های عصبی مرسوم برای برآورد تخلخل در یکی از میدان های نفتی جنوب خاوری ایران

در صنعت نفت از هوش مصنوعی برای شناسایی روابط، بهینه سازی، برآورد و رده بندی تخلخل بهره گیری میشود. یکی از مهمترین مراحل ارزیابی پارامترهای پتروفیزیکی مخزن، شناسایی ویژگیهای تخلخل است. هدف اصلی این پژوهش مقایسه درستی و تعمیم پذیری سه شبکه عصبی چند لایه پیشخور ) mlfn (، شبکه تابع شعاع مبنا ) rbfn ) و شبکه عصبیاحتمالی ) pnn ) برای برآورد تخلخل با بهره گیری از ویژگیهای لرزهای است. در این راستا، دادههای زمین شناسی 7 حلقه چاه یک میدان نفتی فراساحلی هندیجان در شمال باختری حوضه خلیج فارس مورد ارزیابی قرارگرفت. امپدانس آکوستیک با بهرهگیری از روش وارونگی مبتنی بر مدل برآورد شد و سپس شبکه های عصبی یاد شده با بهره گیری از ویژگیهایلرزهای بهینه طراحی شده و با روش رگرسیون گام به گام مورد ارزیابی قرار گرفتند. سرانجام مشخص شد که مدل mlfn برای برآورد تخلخل خوب عمل نمیکند. pnn از بهترین دقت کارکرد در درون یابی تخلخل برخوردار است، اما تعمیم پذیری rbfn بهتر است.

comparison of the function of conventional neural networks for estimating porosity in one of the southeastern iranian oil fields

in the oil industry, artificial intelligence is used to identify relationships, optimize, estimate and classify porosity. one of the most important steps in evaluating the petrophysical parameters of the reservoir is to identify the porosity properties. the main purpose of this study is to compare the accuracy and generalizability of three multilayer feed neural networks (mlfns), radius base function networks (rbfns) and probabilistic neural networks (pnns) to estimate porosity using seismic properties. in this regard, geological data of 7 wells were evaluated from an offshore oil field in hindijan in the northwest of the persian gulf basin. acoustic impedance was estimated using model-based inversion method and then the mentioned neural networks were designed using optimal seismic properties and evaluated by stepwise regression method. finally, it became clear that the mlfn model did not work well for estimating porosity. pnn has the best performance accuracy in porosity interpolation, but rbfn generalizability is better.