پیش بینی سرعت موج برشی با استفاده از لاگ های پتروفیزیکی و الگوریتم های یادگیری عمیق در یکی از میادین هیدروکربنی ایران

سرعت موج برشی یکی از مهم ترین پارامترهای اثرگذار در مدل سازی های پتروفیزیکی و ژئومکانیکی است. برای تعیین سرعت موج برشی مدل های تجربی زیادی معرفی شده اند که هر کدام از آنها مختص منطقه ای خاص هستند. یکی از روش هایی که اخیرا زیاد مورد استفاده قرار می گیرد روش های هوشمند است.در این مطالعه سرعت موج برشی با استفاده از روش یادگیری عمیق در یکی از چاه های مخازن هیدروکربنی جنوب غرب ایران پیش بینی شده است. در این مقاله از ضریب همبستگی پیرسون برای انتخاب ویژگی ها استفاده شد و در ادامه با استفاده از شبکه عصبی پرسپترون چندلایه (mlp)، شبکه عصبی بازگشتی + شبکه عصبی پرسپترون چندلایه (lstm+mlp)، شبکه‌ عصبی تبدیلی + شبکه عصبی پرسپترون چندلایه (cnn+mlp) سرعت موج برشی تخمین زده شد و مقدار خطا و ضریب تعیین (r2) برای داده های آموزش و تست محاسبه گردید. همچنین جهت اطمینان از نتایج الگوریتم ها بخشی از داده به عنوان داده شاهد کنار گذاشته شد و خطا و ضریب تعیین برای این داده ها نیز محاسبه گردید که ضریب تعیینrmlp^2=0.7989، r(lstm+mlp)^2=0.8984، r(cnn+mlp)^2=0.9032 به دست آمده است. نتایج بیانگر بالاتر بودن خطا و کمتر بودن ضریب تعیین مربوط به شبکه mlp نسبت به شبکه های lstm+mlp و cnn+mlp است. با توجه به نتایج حاصل شده می توان از روش های یادگیری عمیق جهت پیش بینی سرعت موج برشی به عنوان روشی مناسب و کم هزینه استفاده کرد.

prediction of shear wave velocity using petrophysical logs and deep learning algorithms in a hydrocarbon field in iran

shear wave velocity is one of the most important parameters in petrophysical and geomechanical modeling. many experimental models have been introduced to determine shear wave velocity, each of which is specific to a specific region. one of the recently used methods is intelligent methods. in this study, shear wave velocity has been predicted using deep learning algorithms in one of the hydrocarbon fields in southern iran. in this article, pearson’s correlation coefficient was used to select the features, and in the following, multilayer perceptron neural network (mlp), recurrent neural network + multilayer perceptron neural network (lstm+mlp), convolutional neural network + multilayer perceptron neural network (cnn+mlp) was used the shear wave velocity estimation and the error value and coefficient of determination (r2) were calculated for the training and test data. also, in order to ensure the results of the algorithms, a part of the data was separated as blind data, and the error and coefficient of determination were calculated for the blind data, and the coefficient of determination was rmlp^2=0.7989، r(lstm+mlp)^2=0.8984، r(cnn+mlp)^2=0.9032. the results show that the error is higher and the coefficient of determination is lower for the mlp network compared to the lstm+mlp and cnn+mlp networks. according to the obtained results, deep learning methods can be used to predict shear wave velocity as a suitable and low-cost method.keywords: shear wave velocity, petrophysical data, dsi log, asmari reservoir, deep learning.