پیش بینی پارامترهای الاستیک مخزن کربناته از داده های چاه نگاری با استفاده از روش های یادگیری ماشین و رگرسیون چند متغیره

پارامترهای ژئومکانیکی از جمله مدول یانگ و ضریب پواسون نقش بسیار کلیدی در عملیات حفاری و تولید چاه‌های نفت و گاز دارند. تعیین این پارامترها می تواند تا حد زیادی به شناخت وضعیت و مشکلات چاه کمک نماید. از آنجایی که تعیین این پارامترها به روش آزمایشگاهی بسیار پر هزینه و زمان بر می باشد در نتیجه در این پژوهش سعی شده است روشی جهت پیش بینی پارامترهای الاستیک خطی بر اساس روش های رگرسیون چند متغیره و یادگیری ماشین بر مبنای داده های چاه نگاری (زمان انتقال موج فشاری، چگالی و تخلخل) مربوط به یکی از چاه های گازی جنوب ایران ارائه نمود. پس از ساخت مدل‌ها، نتایج حاصل از هر روش مورد مقایسه قرار گرفت. این مقایسه نشان داد که روش یادگیری ماشین با کمترین مقادیر میانگین درصد خطای مطلق و ریشه میانگین مربعات خطا و همچنین بالاترین مقدار ضریب تعیّن، عملکرد بهتری در پیش‌بینی پارامترهای الاستیک نسبت به روش رگرسیون چند متغیره دارد. بعلاوه در این پژوهش روابط تجربی بر مبنای اطلاعات مربوط به وزن ها و اریبی های (بایاس) روش شبکه چند لایه پرسپترون (mlp ) برای پیش بینی پارامترهای الاستیک توسعه داده شد. این روابط برای روش mlp بر مبنای داده های چاه a مربوط به یکی از میادین ایران اعتبارسنجی شده و این نتیجه بدست آمد که با توجه به مقادیر ضریب تعیین 0.97 و 0.96 به ترتیب برای مدول یانگ و ضریب پواسون، روابط به دست آمده از این پژوهش دارای اعتبار مناسبی می‌باشند. در نتیجه معادلات جدید می توانند بدون نیاز به هیچ نرم افزار یادگیری ماشین و برای چاه های جدید بر مبنای داده های چاه نگاری استفاده شوند.

prediction of elastic parameters of carbonate reservoir from well logging data using machine learning and multivariate regression methods

geomechanical parameters, such as young's modulus and poisson's ratio, play a crucial role in drilling and production operations of oil and gas wells. determining these parameters can greatly assist in understanding the well's condition and issues. since laboratory testing to determine these parameters is very expensive and time-consuming, this study attempts to predict linear geomechanical parameters based on multivariate regression and machine learning methods using well logging data (including sonic transit time, density, and porosity) from a gas well in southern iran. after constructing the models, the results obtained from each method were compared, and the results showed that the machine learning method had a better performance in predicting elastic parameters with lower mean absolute percentage error, root mean square error, and higher coefficient of determination. additionally, empirical relationships based on information related to weights and biases of the multilayer perceptron (mlp) network method were developed to predict elastic parameters. these relationships were validated using well a data from one of iran's fields, and the results showed that the obtained equations had a suitable validity with coefficient of determination values of 0.97 and 0.96 for young's modulus and poisson's ratio, respectively. therefore, these new equations can be used for new wells based on well logging data without the need for any machine learning software.