کاربرد رویکرد داده کاوی یادگیری نظارت شده در پیش‌بینی پایداری مخازن ماسه‌ای تحکیم نیافته در یکی از میادین نفتی جنوب غرب ایران

یکی از بزرگترین مشکلات استخراج نفت از سازندهای ماسه‌ای تحکیم نیافته، پدیده تولید ماسه است که علاوه‌ بر ناپایداری و سست بودن، خسارات جبران ناپذیری را به تجهیزات درون‌چاهی و سطح ‌چاهی وارد می‌کند. از سوئی، به دلیل وجود داده های با حجم بالا و نامتجانس، عدم قطعیت در داده ها و مدل سازی در صنعت نفت، کاربرد الگوریتم های داده کاوی روز به روز در این صنعت افزایش یافته است. در این مقاله، پس از ارزیابی اولیه داده‌های پتروفیزیکی چاه تولیدی، با استفاده از داده های نمودار چاه پیمایی مرسوم، از جمله نمودارهای پرتوگاما، قطرسنجی، شاخص فوتوالکتریک و چگالی سازند، به شناسایی زون‌های دارای پتانسیل تولید ماسه پرداخته شد و تلاش شد تا از ابزارهای قدرتمند داده‌کاوی یادگیری نظارت‌شده برای پیش‌بینی تولید ماسه استفاده شود. به‌منظور اجرای الگوریتم طبقه‌بندی در چاه مورد مطالعه، داده‌های حاصل از نمودارهای چاه‌پیمائی به‌ عنوان ورودی تحت مهندسی ویژگی انتخاب و برچسب‌های خروجی براساس مشاهدات حاصل از مغزه‌ها و خرده‌های حفاری در سه طبقه ماسه روان، تحکیم‌یافته و نیمه‌ تحکیم‌یافته تعیین شده است. در این مطالعه، از سه روش طبقه‌بندی نزدیکترین همسایگی، درخت تصمیم و ماشین بردار پشتیبان به‌منظور مدل‌سازی وضعیت پایداری چاه استفاده شد. در نهایت، روش نزدیکترین همسایگی با شعاع همسایگی کوچک با دقت 3/91% دارای بهترین عملکردو در کل چاه اجرا شد که دارای انطباق بالائی با داده‌های واقعی برخوردار است.