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

تراوایی یا نفوذپذیری، یکی از خصوصیات مهم مخازن نفت و گاز است که پیش بینی آن دشوار می باشد. در حال حاضر از مدل های تجربی و رگرسیونی برای پیش بینی تراوایی استفاده می شود، از سوی دیگر افزایش دقت در پیش بینی تراوایی جهت نقاطی که فاقد نمونه مغزه است از اهمیت ویژه ای در تحلیل رفتار مخزن برخوردار است. در چند وقت اخیر، به دلیل قابلیت پیش بینی بهتر، از الگوریتم های یادگیری ماشین برای پیش بینی تراوایی استفاده‌شده است. در این مطالعه، مدل یادگیری ماشین گروهی جدیدی برای پیش بینی تراوایی در مخازن نفت و گاز معرفی‌شده است. در این روش، داده های ورودی با استفاده از اطلاعات لیتولوژی لاگ ها برچسب گذاری شده و به تعدادی از خوشه ها تفکیک می شوند و هر خوشه توسط الگوریتم یادگیری ماشین مدل سازی شد. برخلاف مطالعات قبلی که به‌صورت مستقل روی مدل ها کار می کردند در اینجا ما ضمن طراحی یک مدل گروهی با استفاده از الگوریتم های رگرسیون درخت تصمیم افزوده (etr)، رگرسیون درخت تصمیم (dtr) و رگرسیون گرادیان تقویت‌شده (gbr) و داده های پتروفیزیکی، توانستیم صحت و دقت پیش بینی همچنین 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 تراوایی نسبت به تحقیقات گذشته بود.

Designing an Ensemble model for hydrocarbon reservoir Permeability prediction by petrophysical lithology Labeling

Permeability is an important feature of oil and gas reservoirs that is difficult to predict. At present, experimental and regression models are used to predict permeability. On the other hand, increasing the accuracy of permeability prediction for points that do not have a core sample is of particular importance in analyzing reservoir behavior. In recent times, due to better predictability, machine learning algorithms have been used to predict permeability. In this study, a new group machine learning model for permeability prediction in oil and gas tanks is introduced. In this method, the input data is labeled using log lithology information and separated into a number of clusters and each cluster was modeled by machine learning algorithm. Unlike previous studies that worked independently on models, here we design a group model using augmented decision tree (ETR), decision tree (DTR) regression, and enhanced gradient (GBR) algorithms. And petrophysical data, we were able to dramatically improve the accuracy of the prediction as well as the mean square error and predict the 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.