ارائه یک مدل هوشمند جهت پیش‌بینی اشباع آب در یک مخزن کربناته گازی با ترکیب روش‌های 1d-cnn و xgboost

در مطالعات مخازن هیدروکربنی، تعیین دقیق اشباع سیالات مختلف در سنگ مخزن همواره با چالشهای متعددی روبرو است. بطور ویژه در مخازن کربناته، روش‌های معمول محاسبه اشباع آب با استفاده از نگارهای متداول چاه بر مبنای رابطه آرچی و معادلات مشتق شده از آن معمولا دارای خطا می باشد. در این پژوهش، هدف ارائه یک مدل هوشمند جهت تعیین دقیق‌تر اشباع آب در یک مخزن کربناته گازی واقع در جنوب ایران می باشد که بر مبنای مطالعات پیشین خطای روشهای متداول محاسبه اشباع آب در آن به اثبات رسیده است. بدین منظور، اطلاعات و داده‌های چاه نگاری 3 چاه از این مخزن کربناته مورد استفاده قرار گرفته است که با طراحی مناسب یک شبکه عصبی یادگیری عمیق 1d-cnn و سپس یک الگوریتم یادگیری ماشین xgboost ، اشباع آب مخزن به صورت پیوسته محاسبه می گردد. با تقسیم داده‌های این 3 چاه به دو دسته‌ آموزش و تست، ساخت مدل و سپس ارزیابی عملکرد آن، نتایج به دست آمده دقت بسیار بالاتر مدل طراحی شده در پیش‌بینی اشباع آب مخزن نسبت به روشهای متداول از قبیل رابطه آرچی را نشان می دهد. دقت اندازه گیری برای مدل در آموزش mae=0.009 ,rmse=0.013 ,r^2=0.99 و همچنین دقت بدست آمده برای مجموعه داده‌های تست mae=0.053 ,rmse=0.068 ,r^2=0.959 ، بیانگر کارایی مناسب مدل هوشمند طراحی شده می‌باشد.