ارائه مدلي هوشمند بر مبناي شبكه عصبي حافظه بلند مدت كوتاه مدت براي پيش بيني اشباع آب از نگاره‌هاي متداول

اين مطالعه جهت تعيين اشباع آب در مخازن هيدروكربني، به عنوان يك پارامتر كليدي براي ارزيابي كيفيت سنگ مخزن، تخمين حجم هيدروكربن درجا، و تعيين فواصل توليدي صورت گرفته است. عليرغم استفاده رايج از معادله آرچي در مقياس ميداني براي پيش‌بيني اشباع آب، محدوديت‌هاي آن، به‌ويژه در مخازن كربناته تنگ، چالش‌ها و خطاهاي غيرقابل اجتنابي را ايجاد مي‌كند. با بهره‌گيري از داده‌هاي گزارش چاه نگاري از سه چاه گازي در مخازن كربناته جنوب ايران، ما يك مدل هوشمند مبتني بر يك شبكه عصبي حافظه بلند‌مدت كوتاه‌مدت (LSTM) طراحي و پيشنهاد كرده‌ايم. اين مدل از نگاره‌هاي متداول به عنوان ورودي جهت پيش بيني مقادير اشباع آب بدست آمده در آزمايشگاه استفاده مي كند. در طراحي شبكه عصبي LSTM پيشنهاد شده، با تخصيص 70% داده ها براي آموزش، 15% براي آزمايش و 15% براي اعتبارسنجي، در ابتدا مراحل پيش پردازش داده، و انتخاب ويژگي طي شده و سپس به ساخت و بهينه سازي شبكه عصبي مدنظر پرداخته مي شود. مدل پيشنهادي با بدست آوردن مقدار ضريب تعيين 0.99، 0.97 و 0.94 به ترتيب براي مجموعه‌هاي آموزش، آزمايش و اعتبارسنجي، توانايي خود در تعيين دقيق اشباع آب را تصديق مي‌كند. اين نتايج مهر تاييدي بر پتانسيل بالاي مدل هوشمند پيشنهادي در تعيين دقيق اشباع آب آزمايشگاهي بوده، و بر امكان استفاده مناسب از مدل‌هاي يادگيري ماشين و يادگيري عميق در ارزيابي و مديريت مخزن تاكيد مي‌كند.