استفاده ازتکنیک های یادگیری جمعی بر پایه انتخاب ویژگی برای پیش ‌بینی سرعت موج برشی

سرعت موج برشی یکی از پارامترهای مهم برای تعیین خواص مکانیکی و پتروفیزیکی در مخازن هیدروکربوری است. اندازه‌گیری موج برشی به کمک روش‌های آزمایشگاهی و بهره‌گیری از ابزار صوتی دوقطبی امکان‌پذیر است، با این‌حال، با توجه به هزینه بالای عملیات مغزه‌گیری و اخذ لاگ صوتی دوقطبی، داده‌های واقعی موج برشی تنها برای تعداد محدودی از چاه‌های یک میدان در دسترس می‌باشند. برای غلبه بر این محدودیت‌ها، روش‌های مختلف هوش مصنوعی به منظور تخمین پارامتر مذکور از طریق لاگ‌های معمول چاه به کار برده می‌شوند. در این مطالعه به تخمین سرعت موج برشی با استفاده از روش‌های یادگیری جمعی (ensemble learning) در مخزن آسماری میدان منصوری پرداخته شد. در این مطالعه، سرعت موج برشی با استفاده از روش‌های یادگیری جمعی مثل رای‌گیری (voting)، برانبارش (stacking) ، بسته‌بندی (bagging) و تقویت (boosting) در مخزن آسماری برآورد شد و نتایج با مدل های مرسوم مثل، رگرسیون خطی (lr)، رگرسیون بردار پشتیبان (svr)، الگوریتم نزدیک‌ترین همسایه (knn)، درخت تصمیم (dt)، شبکه عصبی (ann) و روش‌های هیبریدی مثل ترکیب شبکه عصبی با الگوریتم‌ ژنتیک (ann-ga)، ازدحام ذرات (ann-pso) و سیستم‌های فازی (anfis) مقایسه شد. به منظور ارزیابی و اعتبارسنجی مدل‌ها از ضریب همبستگی و ریشه میانگین مربعات خطا استفاده شد. مقایسه مدل‌های مرسوم و روش‌های هیبریدی با روش‌های یادگیری جمعی نشان داد که الگوریتم‌های جمعی عملکرد بهتری در تخمین موج برشی دارند. از بین روش‌های یادگیری جمعی نیز مدل کت‌بوست (catboost) با میزان r2 برابر 0.983 و rmse برابر با 0.058 بهترین عملکرد را نشان داد و قادر به تعیین موج برشی با دقت بالاست.

using ensemble learning techniques based on feature selection to predict shear wave velocity

shear wave velocity is one of the important parameters for determining mechanical and petrophysical properties in hydrocarbon reservoirs. shear waves are usually obtained from dipole sonic imager (dsi) tools or core analysis in the laboratory. however, these methods as common sources for shear wave estimation are time-consuming and costly and thus can only provide information on shear wave in a few drilled wells. to overcome these limitations, different artificial intelligence methods are used to estimate the mentioned parameter through the conventional well logs. in this study, the shear wave velocity was estimated using ensemble learning methods in asmari reservoir in the mansouri oilfield. in this study, shear wave velocity was estimated using ensemble learning methods such as voting, stacking, bagging, and boosting in the asmari reservoir, and the results were compared with conventional models such as linear regression (lr), support vector regression (svr), nearest neighbor algorithm (knn), decision tree (dt), neural network (ann) and hybrid methods such as combining neural network with genetic algorithm (ann-ga) ), particle swarm (ann-pso) and fuzzy systems (anfis). in order to evaluate and validate the models, correlation coefficient (r2) and root mean square error (rmse) were used. a comparison of conventional models and hybrid methods with ensemble learning methods showed that ensemble algorithms perform better in shear wave estimation. considering the testing phase, among the ensemble learning methods, the catboost model has provided the lowest error (rmse=0.058) and highest correlation coefficient (r=0.983) can determine shear wave with high accuracy.