ارائه مدلی هوشمند بر مبنای شبکه عصبی حافظه بلند مدت کوتاه مدت برای پیش بینی اشباع آب از نگاره‌های متداول

این مطالعه جهت تعیین اشباع آب در مخازن هیدروکربنی، به عنوان یک پارامتر کلیدی برای ارزیابی کیفیت سنگ مخزن، تخمین حجم هیدروکربن درجا، و تعیین فواصل تولیدی صورت گرفته است. علیرغم استفاده رایج از معادله آرچی در مقیاس میدانی برای پیش‌بینی اشباع آب، محدودیت‌های آن، به‌ویژه در مخازن کربناته تنگ، چالش‌ها و خطاهای غیرقابل اجتنابی را ایجاد می‌کند. با بهره‌گیری از داده‌های گزارش چاه نگاری از سه چاه گازی در مخازن کربناته جنوب ایران، ما یک مدل هوشمند مبتنی بر یک شبکه عصبی حافظه بلند‌مدت کوتاه‌مدت (lstm) طراحی و پیشنهاد کرده‌ایم. این مدل از نگاره‌های متداول به عنوان ورودی جهت پیش بینی مقادیر اشباع آب بدست آمده در آزمایشگاه استفاده می کند. در طراحی شبکه عصبی lstm پیشنهاد شده، با تخصیص 70% داده ها برای آموزش، 15% برای آزمایش و 15% برای اعتبارسنجی، در ابتدا مراحل پیش پردازش داده، و انتخاب ویژگی طی شده و سپس به ساخت و بهینه سازی شبکه عصبی مدنظر پرداخته می شود. مدل پیشنهادی با بدست آوردن مقدار ضریب تعیین 0.99، 0.97 و 0.94 به ترتیب برای مجموعه‌های آموزش، آزمایش و اعتبارسنجی، توانایی خود در تعیین دقیق اشباع آب را تصدیق می‌کند. این نتایج مهر تاییدی بر پتانسیل بالای مدل هوشمند پیشنهادی در تعیین دقیق اشباع آب آزمایشگاهی بوده، و بر امکان استفاده مناسب از مدل‌های یادگیری ماشین و یادگیری عمیق در ارزیابی و مدیریت مخزن تاکید می‌کند.