تعیین واحدهای ژئومکانیکی با استفاده از تجزیه و تحلیل الگوریتم‌های بدون نظارت یادگیری ماشین مبتنی بر نگاره های چاه‌های نفتی

در این تحقیق از روش یادگیری بدون نظارت جهت تعیین واحد های ژئومکانیکی در یکی از چاههای نفتی جنوب ایران با استفاده از لاگ های داده‌های چاه نگاری شامل نگاره گاما طبیعی(sgr) ، نگاره گاما اصلاح شده(cgr)، چگالی(rhob)، تخلخل نوترونی(nphi)، زمان موج برشی(dtsm) و زمان موج طولی (dtco) استفاده شده است. برنامه نویسی مورد نیاز در محیط پایتون انجام گرفته است. در این راستا ابتدا بعد از پردازش داده های چاه نگاری از دو الگوریتم محبوب قدرتمند نظارت شده یادگیری ماشین ایکس جی بوست (xgboost) و شبکه عصبی پرسپترون چند لایه (multi-layer perceptron neural network) جهت بازیابی داده های گمشده استفاده گردید. سپس از روشهای بدون نظارت یادگیری ماشین شامل مدل k- میانگین (k-means clustering)، الگوریتم خوشه بندی سلسله مراتبی(hac)، الگوریتم خوشه بندی dbscan مبتنی بر غلظت، و مدل آمیخته گوسی (gaussian mixture modelling) جهت تعیین واحد های ژئومکانیکی مخزنی پر فشار، آهکهای نارک لایه و غیرمخزنی مسئله دار استفاده شد. در این روش‌ها الگوریتم‌ها خود الگوهای زیر سطحی را با استفاده از داده ها شناسایی می کنند که ممکن است به راحتی در طول کاوش داده قابل مشاهده نباشند. معیار ارزیابی دقت روش دقت در شناسایی آهک های نازک لایه، سازندهای غیر مخزنی مسئله دار و افق های پر فشار سازند های مورد مطالعه در نظر گرفته شد. نتایج مطالعات نشان داد که از بین روش‌های مورد مطالعه روش gmm به جای اینکه بر اساس فاصله باشد، مبتنی بر توزیع است و از مرزهای خوشه/تصمیم بیضی استفاده می کند. بنابراین، منجر به طبقه‌بندی نرم تری می شود. علاوه براین، بخاطر قرار دادن الگوهای احتمالاتی مختلف برای شناسایی واحد‌های ژئومکانیکی، روشی بهتر جهت تعیین واحدهای مخزنی پر فشار ایلام، سروک و آهکهای نازک لایه می باشد.

Determination of geomechanical zones based on evaluation of Unsupervised Machine Learning algorithm methods

Machine Learning algorithms have widely been adopted to group well log measurements into distinguished lithological groupings, known as Facies/Geomechanical units. This procedure can be achieved using either unsupervised learning or supervised learning algorithms. Supervised learning is the most common and practical of machine learning tasks and it is designed to learn from the example using input data that has been mapped to the correct output. In this research, we can run the modeling using Unsupervised Learning, where we authorize the algorithms to recognize underlying patterns within the data that may not be easily visible during data exploration. Therefore, an unsupervised learning method has been used to determine geomechanical zones. In this method, we give one’s consent/assent to algorithms to identify subsurface patterns using data that may not be easily visible during data exploration. First, the application of practical methods of machine learning algorithms, including the K-mean model, Based Spatial Clustering of Applications with Noise (DBSCAN), Hierarchical Agglomerative Clustering (HAC), and Gaussian mixed model, will be explained, And then in this research, the best method for predicting petrophysical layers will be presented and compared the results with an established Lithofacies curve. The required programming is done in a Python environment. In this regard, after well processing, The XGBoost and Multi-Layer Perceptron Neural Network Algorithms have been used to predict the missing data. The optimal number of clusters is obtained using an ‘elbow’, In this article, as the title suggests, Four methods are used in cluster analysis unsupervised machine learning algorithms, but in petrophysical, geological, and geomechanical realities, data seldom conform to good circle patterns. Whereas if the data clusters are circular, K-Means clustering and Hierarchical Agglomerative Clustering( HAC) work great. Therefore, it is better to use the Gaussian mixed models (GMM) method.