کاربرد شبکه عصبی مصنوعی در تخمین یکی از پارامترهای بحرانی ارزیابی کیفیت مخازن

تخمین دقیق پارامترهای مخزنی مانند تخلخل برای تعیین خصوصیات مخزن، ارزیابی حجم نفت و فاز تصمیم گیری کلیدی هستند. این پارامتر می تواند از طریق تفسیر نگارهای پتروفیزیکی یا آنالیزهای مغزه با صرف هزینه قابل توجه بدست آید. اما ممکن است تمام چاه های یک میدان مغزه گیری نشده باشند یا تعداد چاه هایی که فرآیند مغزه گیری بطور کامل در آن ها اجرا شده است محدود باشند. بنابراین استفاده از روش های نوین و هوشمند مانند شبکه عصبی مصنوعی که بتوانند با ارائه نتایجی دقیق و قابل اطمینان خصوصیات حیاتی ارزیابی کیفیت مخزن را در میادین مورد مطالعه تخمین بزنند، می توانند گامی مهم در راستای اکتشاف منابع هیدروکربنی ایفا نمایند. بنابراین برای افزایش دقت تخمین این پارامتر در سازند کشف رود در میدان گازی خانگیران، رویکردی بر اساس شبکه عصبی مصنوعی به اجرا در آمد. برای اجرای یک شبکه پرسپترون چند لایه ای شبکه عصبی مصنوعی، با استفاده از یک الگوریتم زمین آماری تعداد داده های آزمایشگاهی بدست آمده برای تخلخل به 686 داده افزایش یافت. فرآیند تخمین توسط دو دسته متفاوت از داده های ورودی اجرا شد. در رویکرد اول، تمام داده های نگارهای پتروفیزیکی به عنوان ورودی انتخاب شدند. در رویکرد دوم، بر اساس نتایج ماتریس همبستگی پیرسون برخی از نگارها ملاک انتخاب قرار گرفتند که نتایج حاکی از بهبود قابل توجهی در اعداد بدست آمده بود. نهایتاً شبکه پرسپترون چند لایه ای بهینه با توپولوژی 1-7-6 برای تخمین تخلخل با میانگین مربعات خطا 4-^10×2.787 انتخاب شد. شبکه های پرسپترون چند لایه ای نشان دادند که توانایی بهبود نتایج را به طور قابل ملاحظه ای تا %99 دارند. با وجود مقادیر بالای خطای محاسبات پارامتر مخزنی مورد مطالعه از طریق روش های سنتی پتروفیزیکی، با بهره گیری از روش های نوین مانند یادگیری ماشین مهندسین می توانند انتظار بهبود قابل توجه در نتایج تخمین پارامترهای مخزنی را داشته باشند.

The Application of Artificial Neural Network in Estimating One of the Critical Parameters of Reservoirs Quality Assessment

An Accurate estimation of reservoir parameters such as porosity is key for reservoir characterization, oil volume assessment, and decision-making phase. This parameter can be obtained through the interpretation of petrophysical logs or core analyzes with a considerable cost. Though, it is possible that all the wells of a field have not been cored or the number of wells in which the coring process has been completely implemented is limited. Therefore, the use of modern and intelligent methods such as artificial neural network (ANN), which can provide accurate and reliable results to estimate the critical characteristics of the reservoir quality in the studied fields, can play a crucial step in the direction of hydrocarbon resource exploration. Thus, to increase the accuracy of the estimation of this parameter in the Kashfroud Formation in Khangiran Gas Field, an approach based on ANN was used. To implement a multilayer perceptron (MLP) network of ANN, by a geostatistical algorithm, the number of laboratory data obtained for porosity increased to 686 data. The estimation process was performed by two different sets of input data. In the first approach, all data from petrophysical logs were selected as input. In the second approach, based on the results of the Pearson Correlation Matrix, some well logs were selected as the selection criteria, and the results indicated a significant improvement in the obtained numbers. Finally, the optimal MLP network with the topology of 6-7-1 was chosen to estimate porosity with mean square error (MSE) of 2.787×10^(-4) . MLP networks showed that they have the ability to improve the results significantly up to 99%. Despite the high error values of reservoir parameter calculations studied through traditional petrophysical methods, with the use of modern methods such as machine learning, engineers can expect a significant improvement in the results of reservoir parameters estimation.