تخمین کارآمد پتانسیل هیدروکربنی باقیمانده با حذف اثرات نامطلوب تغییرات سنگ‌شناسی بر روند آموزش سیستم استنتاج عصبی – فازی تطبیقی

با رونق اکتشاف و توسعه منابع هیدروکربنی نامتعارف، تخمین دقیق فاکتورهای سنگ منشاء نظیر پتانسیل باقیمانده هیدروکربنی (s2) از طریق نگاره‌های چاه بیش از پیش اهمیت پیدا کرده است. مانند ویژگی‌های مواد آلی، تغییرات سنگ‌شناسی در داخل یک توالی منشاء احتمالی نیز بر پاسخ نگاره‌های چاه موثرند. این امکان وجود دارد که تکنیک‌های هوش مصنوعی این پاسخ‌های نگاره‌ای ناشی از سنگ‌شناسی را بعنوان نشانه‌ای از تغییر در میزان و ویژگی‌های مواد آلی تفسیر نمایند، که این مهم موجبات کاهش کارایی آنها را مهیا می‌کند. در مطالعه حاضر، روشی جدید تحت عنوان روش مبتنی بر سنگ‌شناسی ارائه شده است که اساس آن بر مدل‌سازی رابطه بین نگاره‌ها و پارامتر s2 برای هر کدام از انواع سنگ‌شناسی از طریق سیستم استنتاج عصبی–فازی تطبیقی استوار است. کارایی روش پیشنهادی با روش‌های anfis و هیبریدی که فرآیند آموزش آنها با استفاده از داده‌های واجد سنگ‌شناسی مختلف انجام شده است، مورد مقایسه قرار گرفت. نتایج نشان داد که روش مبتنی بر سنگ‌شناسی در زمینه حذف اثرات نامطلوب تغییرات سنگ‌شناسی بر روند آموزش مدل anfis موفق بوده که حاصل آن، تخمین بسیار دقیقتر مقادیر s2 می‌باشد. ازمیان روش‌های معمول، ترکیب الگوریتم بهینه‌سازی ذرات با روش anfis کارایی بالاتری را نشان داد. لیکن، روش هیبریدی مذکور به اندازه روش مبتنی بر سنگ‌شناسی کارآمد نمی‌باشد. کاربردی‌بودن روش پیشنهادی با اجرای آن بر سازند پابده در یکی از چاه‌های جنوب غرب ایران تایید شد. در نهایت، پیشنهاد می‌شود از روش مبتنی بر سنگ‌شناسی جهت تخمین دیگر فاکتورهای ژئوشیمیایی و همچنین پارامترهای پتروفیزیکی از طریق نگاره‌های چاه، بهره گرفته شود.

accurate estimation of residual hydrocarbon potential by removing the adverse effects of lithological variations on the training process of adaptive neuro fuzzy inference system

with the booming exploration and development of unconventional hydrocarbon resources، the accurate estimation of source rock factors such as residual hydrocarbon potential (s2) from well logs has become increasingly important. along with organic material properties، changes in lithology within an interval of possible source also induce well log responses. artificial intelligence techniques may interpret these lithology induced log responses as a signal for changes in the organic matter content and/or properties، resulting in decreasing their efficiency. in the present research، a new methodology called the litho based method was proposed based on modeling the relationship between log data and s2 parameter for each type of lithology using adaptive neuro fuzzy inference system (anfis). the performance of the newly developed methodology was compared with those of the traditional anfis and hybrid methods for which the training process was carried out using a dataset including different lithologies. results showed that the litho based method successfully removed the adverse effects of lithological variations on the course of anfis training، resulting in estimating much more reliable s2 values. among the traditional methods، utilizing particle swarm optimization (pso) algorithm in conjunction with anfis showed higher performance. nevertheless، the aforementioned hybrid approach is not as efficient as the litho based method. the applicability of the proposed methodology was approved by applying it over pabdeh source rocks for a well in sw iran. finally، it is recommended to use the litho based method for estimating other geochemical factors as well as petrophysical parameters through log data.