کاربرد مدل ‌های پیشرفته یادگیری ماشین جهت پیش بینی رخساره‌های سنگی در یکی از میدان ‌های نفتی جنوب ایران

به طور مرسوم طبقه بندی رخساره های سنگی در میدان های نفتی بر اساس مطالعات رسوب شناسی، چینه شناسی، پتروفیزیکی، نفوذپذیری و ژئومکانیکی انجام می گیرد. زیرا دانشمندان علوم زمین تفسیرهای متفاوتی را از یک مجموعه داده ارائه می دهند. اگرچه مطالعات آزمایشگاهی حاصل از نمونه گمانه های اکتشافی که در حین حفاری به دست می آیند، نمایش دقیق تری از زمین شناسی زیرسطحی به دست می دهند. اما به دلیل هزینه هایشان، همیشه برای همه چاه های یک میدان در دسترس نیستند. بنابراین، یک روش سریع و کارآمد برای طبقه بندی دقیق رخساره های سنگی در تعداد زیادی از چاه های بدون نمونه گمانه حفاری با حداقل سوگیری ذهنی ضروری است. هدف از این مطالعه استفاده از یادگیری ماشینی نظارت شده برای طبقه‌بندی رخساره‌های سنگی از لاگ‌های ژئوفیزیکی در چاه‌های بدون نمونه حفاری می‌باشد. برای این منظور از مجموعه داده چاه‌نگاری 7 چاه آموزشی یکی از میدان‌های نفتی جنوب ایران که شامل نگاره گاما طبیعی(sgr)، نگاره گاما اصلاح شده (cgr)، چگالی(rhob) ، تخلخل نوترونی(nphi)، کندی موج برشی(dtsm) و کندی موج طولی(dtco) که مستقیما در تعیین رخساره‌های ژئومکانیکی تاثیر دارند به‌عنوان داده‌های مستقل و واحدهای طبقه بندی شده رخساره بعنوان متغیر وابسته استفاده شده است. این مجموعه داده از عمق 3000 تا 4000 هزار متری زمین مربوط به سازند‌های آهکی ایلام و سروک (آهک بنگستان) تشکیل شده است. در مرحله اول این سازندها بوسیله روش‌های خوشه‌بندی هوش مصنوعی و مطالعات آزمایشگاهی به 5 رخساره تفکیک شده است. بعد از این مرحله از 8 روش یادگیری ماشین نظارت شده شامل regression logistic،k nearest neighbors ،decision tree ، random forest ، gaussian nb، gradient boosting، extra trees و svm جهت ساخت یک مدل مناسب بکار گرفته شد. مجموعه داده این چاه‌ها بوسیله هر یک از این الگوریتم‌ها مراحل آموزشی و آزمایشی جهت ساخت یک مدل مناسب بکار گرفته شد و برچسب‌های رخساره‌ها پیش‌بینی شد. جهت ارزیابی عملکرد مدل‌ها از چندین معیار ارزیابی شامل accuracy،precision ، f1-score، و recall بوسیله ماتریس درهم‌ریختگی و نمودارهای roc استفاده شده است. از بین روش‌های مذکور الگوریتم extra trees classifier، gradient boosting، k-nearest neighbors نتایج بهتری را نشان داده‌اند. در نهایت، عملکرد مدل جهت پیش‌بینی رخساره‌های سنگی چاه خارج از مدل یا چاه دیده نشده ارائه شده است.