پیش‌بینی تراوایی سنگ مخزن کربناته با استفاده از شبکۀ عصبی مصنوعی و ماشین بردار پشتیبان در یکی از مخازن نفتی ایران

تراوایی از مولفه‌های اساسی در ارزیابی مخازن هیدروکربنی است که عمدتاً از طریق اندازه‌گیری‌های آزمایشگاهی از مغزه یا داده‌های چاه‌آزمایی به دست می‌آید. با این حال، به دلیل هزینۀ زیاد و فراوانی کم این نوع از داده‌ها، پیش‌بینی تراوایی با استفاده از داده‌های چاه‌نگاری از جایگاه ویژه‌ای برخوردار است. در این مطالعه، برای تخمین تراوایی، ابتدا داده‌های چاه‌نگارها با توجه به مطالعات زمین‌شناسی صورت گرفته بر روی میدان مورد مطالعه به چهار گروه رخساره‌های الکتریکی دسته‌بندی می‌شوند: پکستونوکستون–مادستون، پکستون–وکستون، گرینستون–پکستون و گرینستون–پکستون–وکستون.در این مطالعه، از شبکه‌های عصبی مصنوعی و ماشین بردار پشتیبان برای تخمین تراوایی در یکی از مخازن ناهمگون کربناته با استفاده از داده‌های چهار چاه در میدان مذکور استفاده شده‌ است. جهت تخمین تراوایی، ابتدا داده‌های نگاره‌های چاه با استفاده از روش‌های «تجزیه‌وتحلیل مولفه‌های اصلی» و «تجزیه‌وتحلیل خوشۀ مبتنی بر مدل» به رخساره‌های الکتریکی تقسیم‌بندی شده‌اند. سپس هر رخسارۀ الکتریکی به‌عنوان ورودی شبکۀ عصبی مصنوعی و ماشین بردار پشتیبان جهت تخمین تراوایی در نظر گرفته‌ شده‌اند.شبکۀ عصبی مصنوعی با استفاده از «توابع پس‌انتشار لونبرگ»، «گرادیان نزولی با تکانه وزنی» و «تابع یادگیری بیاس» با ده لایۀ مخفی آموزش داده شده است. از ماشین بردار پشتیبان با رگرسیون‌های اپسیلون و نو با توابع کرنلی مختلف استفاده شده است. در این مطالعه، تابع کرنل شعاعی ماشین بردار پشتیبان دارای خطای کمتری در مقایسه با شبکۀ عصبی است. خطای حاصل از ماشین بردار پشتیبان برای رخساره‌های الکتریکی گروه اول تا چهارم به ترتیب برابر است با: 0.0065، 0.0242، 3.6587 و 0.0195.