ارائه يك مدل هوشمند جهت پيش‌بيني اشباع آب در يك مخزن كربناته گازي با تركيب روش‌هاي 1D-CNN و XGBoost

در مطالعات مخازن هيدروكربني، تعيين دقيق اشباع سيالات مختلف در سنگ مخزن همواره با چالشهاي متعددي روبرو است. بطور ويژه در مخازن كربناته، روش‌هاي معمول محاسبه اشباع آب با استفاده از نگارهاي متداول چاه بر مبناي رابطه آرچي و معادلات مشتق شده از آن معمولا داراي خطا مي باشد. در اين پژوهش، هدف ارائه يك مدل هوشمند جهت تعيين دقيق‌تر اشباع آب در يك مخزن كربناته گازي واقع در جنوب ايران مي باشد كه بر مبناي مطالعات پيشين خطاي روشهاي متداول محاسبه اشباع آب در آن به اثبات رسيده است. بدين منظور، اطلاعات و داده‌هاي چاه نگاري 3 چاه از اين مخزن كربناته مورد استفاده قرار گرفته است كه با طراحي مناسب يك شبكه عصبي يادگيري عميق 1D-CNN و سپس يك الگوريتم يادگيري ماشين XGBoost ، اشباع آب مخزن به صورت پيوسته محاسبه مي گردد. با تقسيم داده‌هاي اين 3 چاه به دو دسته‌ آموزش و تست، ساخت مدل و سپس ارزيابي عملكرد آن، نتايج به دست آمده دقت بسيار بالاتر مدل طراحي شده در پيش‌بيني اشباع آب مخزن نسبت به روشهاي متداول از قبيل رابطه آرچي را نشان مي دهد. دقت اندازه گيري براي مدل در آموزش MAE=0.009 ,RMSE=0.013 ,R^2=0.99 و همچنين دقت بدست آمده براي مجموعه داده‌هاي تست MAE=0.053 ,RMSE=0.068 ,R^2=0.959 ، بيانگر كارايي مناسب مدل هوشمند طراحي شده مي‌باشد.