طراحی مدل گروهی تخمین تراوایی مخزن هیدروکربوری با استفاده از نگاره های پتروفیزیکی بر اساس تفکیک لیتولوژیکی

تراوایی یا نفوذپذیری، یکی از خصوصیات مهم مخازن نفت و گاز است که پیش بینی آن دشوارمی باشد. در حل حاضر از مدل های تجربی و رگرسیونی برای پیش بینی نفوذپذیری استفاده می شود که شامل صرف زمان و هزینه های زیاد مرتبط با اندازه گیری آزمایشگاهی 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 دسته ها تفکیک می شوند و هر دسته 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 etr وdtr و gbr و داده های پتروفیزیکی، توانستیم صحت و دقت پیش بینی همچینین خطای میانگین مربعات را به طرز چشم گیری بهبود ببخشیم و تراوایی را با دقت 99.82 درصد پیش بینی کنیم. نتایج نشان داد که مدل های گروهی در بهبود دقت پیش بینی تراوایی در مقایسه با مدل های انفرادی تاثیر فراوانی دارند و همچنین تفکیک نمونه ها بر اساس اطلاعات لیتوژی دلیلی بر بهینه نمودن تخمین تروایی نسبت به تحقیقات گذشته بود.

designing an ensemble model for estimating the permeability of a hydrocarbon reservoir by petrophysical lithology labeling

permeability is one of the important characteristics of oil and gas reservoirs that is difficult to predict. in the present solution, experimental and regression models are used to predict permeability, which includes time and high costs associated with laboratory measurements. recently, machine learning algorithms have been used to predict permeability due to better predictability. in this study, a new ensemble machine learning model for permeability prediction in oil and gas reservoirs is introduced. in this method, the input data are labeled using the lithology information of the logs and divided into a number of categories and each category was modeled by machine learning algorithm. unlike previous studies that worked independently on models, here we were able to predict the accuracy of such a square mean error by designing a group model using etr, dtr, gbr algorithms and petrophysical data. improve dramatically and predict permeability with 99.82% accuracy.the results showed that group models have a great effect on improving the accuracy of permeability prediction compared to individual models and also the separation of samples based on lithology information was a reason to optimize the trojan estimate compared to previous studies.