پیاده سازی الگوریتم بهینه سازی آموزش و یادگیری برای تخمین سرعت امواج برشی از داده های چاه نگاری در دو مطالعه موردی ماسه سنگی و کربناته

سرعت امواج لرزه ای تراکمی و برشی در کنار داده های پتروفیزیکی اطلاعات ارزشمندی را در مراحل اکتشاف و توسعه میادین نفتی فراهم می‌کنند. برخلاف سرعت امواج تراکمی که در اکثر مواقع توسط ابزار نمودارگیری سونیک اندازه‌گیری می‌شود، نمودار سرعت امواج برشی به علت هزینه‌ی بالا تنها در تعداد محدودی از چاه های یک میدان برداشت و ثبت می گردد. بنابراین بایستی سرعت این امواج را با استفاده از روش‌های دیگری تخمین زد. روابط تجربی متعددی ارائه‌ شده است که سرعت امواج برشی را به پارامترهای پتروفیزیکی و اندازه‌گیری‌های چاه نگاری مربوط می‌کنند که معمولاً کارائی موردی دارند. یکی از روش‌های کارآمد برای پیش بینی سرعت امواج برشی، استفاده از سیستم‌های هوشمند است. در این مقاله علاوه بر استفاده از روش تجربی گرینبرگکاستاگنا، از الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری برای ساخت یک مدل خطی و یک مدل غیرخطی برای پیش بینی سرعت امواج برشی در یک سازند مخزنی ماسه‌سنگی در یکی از میادین فراساحلی واقع در استرالیای غربی و یک سازند مخزنی کربناته در یکی از میادین خشکی واقع در جنوب غرب ایران استفاده ‌شده است. مقدار خطا و ضریب همبستگی نتایج به دست آمده از الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری نشان دهنده کارائی مطلوب این الگوریتم است. نتایج مدل خطی و غیر خطی ساخته شده به هم نزدیک است با این تفاوت که مدل خطی در مدت زمان کمتری اجرا می شود. مدل خطی این الگوریتم با خطای 2.3 درصدی و ضریب همبستگی 0.82 در سازند ماسه سنگی و خطای 3.3 درصدی و ضریب همبستگی 0.95 در سازند کربناته، عملکرد مناسبی در هر دو مطالعه موردی داشته و می تواند به عنوان روشی کارآمد برای تخمین سرعت موج برشی استفاده گردد.

Implementing the teaching-learning based optimization algorithm to predict shear wave velocity from well logs in sandstone and carbonate case studies

Seismic wave velocity along with petrophysical data provide valuable information at the exploration and development phases of oil and gas fields. The compressionalwave velocity (Vp) is acquired using conventional acoustic logging tools in many drilled well. But the shearwave velocity (Vs) is recorded using advanced logging tools only in limited number of wells, mainly because of the high operational costs. So, alternative methods are often used to estimate Vs. Heretofore, several empirical correlations which predict Vs by using well logging measurements and petrophysical data are proposed. But these empirical relations can only be used in limited cases. The use of intelligent systems is an efficient approach for predicting Vs. In this study, in addition to the modified GreenbergCastagna method, we used the teachinglearning based optimization (TLBO) algorithm to make linear and nonlinear models for predicting Vs. This algorithm is used to make prediction in a sandstone formation from an offshore oil field located at Western Australia and a carbonate formation from an onshore oil filed located at south west of Iran. We compared the estimated Vs values using TLBO algorithm with observed Vs and also with those predicted by modified GreenbergCastagna relation. The results are showing the algorithm efficiency. The results of linear and nonlinear models are also very close together, but the difference is that the linear model is faster than the nonlinear model and is preferred for predicting Vs. Using the linear model shows that for the sandstone formation the error percent is 2.3 and the regression coefficient is 0.82 and these values are 3.3 percent and 0.95 for the carbonate formation respectively. These values show that the linear model of TLBO algorithm can be used as an efficient way to predict Vs.