مروری بر طبقه‌بندی رخساره‌ها با استفاده از الگوریتم‌های یادگیری

شناسایی دستی رخساره‌های سنگی با استفاده از اندازه‌گیری نگاره‎های کابل فولادی و ارزیابی تحلیلی داده‌های حاصل از اندازه‌گیری فرآیندی زمان‌بر است و نیاز به دانش تجربی بسیار زیادی دارد، همچنین به علت وجود عدم قطعیت‌ها و پارامترهای غیرخطی، شناسایی رخساره‌ها به‌صورت دستی از صحت بالایی برخوردار نیست. رخساره‌های سنگی در تعیین خصوصیات و درک ناهمگنی مخزن نقش کلیدی دارند. با ظهور هوش مصنوعی، صنعت نفت و گاز شاهد افزایش استفاده از روش‌های عددی در اکتشاف، توسعه، تولید، مهندسی مخازن و برنامه‌ریزی مدیریت برای تسریع در تصمیم‌گیری، کاهش هزینه و زمان بوده است. الگوریتم‌های یادگیری ماشین برای خودکارسازی فرآیندهای پیچیده غیرخطی ازجمله پیش‌بینی رخساره‌ها در سال‌های اخیر محبوبیت زیادی به دست آورده است. در این مطالعه، الگوریتم‌های یادگیری ماشین و یادگیری عمیق که درزمینه طبقه‌بندی رخساره‌ها مورداستفاده قرارگرفته است، بررسی و مقایسه می‌شود. نتایج نشان داد، الگوریتم‌های یادگیری می‎‌توانند طبقه‌بندی رخساره‌ها را انجام دهند، ولی بااین‌حال محدود بودن داده‌های چاه‌نگاره‌ می‌تواند صحت طبقه‌بندی را با چالش مواجه کند. الگوریتم‌های درختان تقویت‌شده و جنگل تصادفی عملکرد بهتری نسبت به سایر الگوریتم‌های مروری از خود نشان دادند، علاوه براین استفاده از دانش‌پایه برای ایجاد ویژگی‌های تقویت‌شده می‌تواند صحت الگوریتم یادگیری را به‌شدت افزایش دهد.