طراحي مدل گروهي تخمين تراوايي مخزن هيدروكربوري با استفاده از نگاره‌هاي پتروفيزيكي بر اساس تفكيك ليتولوژيكي

تراوايي يا نفوذپذيري، يكي از خصوصيات مهم مخازن نفت و گاز است كه پيش بيني آن دشوار مي باشد. در حال حاضر از مدل هاي تجربي و رگرسيوني براي پيش بيني تراوايي استفاده مي شود، از سوي ديگر افزايش دقت در پيش بيني تراوايي جهت نقاطي كه فاقد نمونه مغزه است از اهميت ويژه اي در تحليل رفتار مخزن برخوردار است. در چند وقت اخير، به دليل قابليت پيش بيني بهتر، از الگوريتم هاي يادگيري ماشين براي پيش بيني تراوايي استفاده‌شده است. در اين مطالعه، مدل يادگيري ماشين گروهي جديدي براي پيش بيني تراوايي در مخازن نفت و گاز معرفي‌شده است. در اين روش، داده هاي ورودي با استفاده از اطلاعات ليتولوژي لاگ ها برچسب گذاري شده و به تعدادي از خوشه ها تفكيك مي شوند و هر خوشه توسط الگوريتم يادگيري ماشين مدل سازي شد. برخلاف مطالعات قبلي كه به‌صورت مستقل روي مدل ها كار مي كردند در اينجا ما ضمن طراحي يك مدل گروهي با استفاده از الگوريتم هاي رگرسيون درخت تصميم افزوده (ETR)، رگرسيون درخت تصميم (DTR) و رگرسيون گراديان تقويت‌شده (GBR) و داده هاي پتروفيزيكي، توانستيم صحت و دقت پيش بيني همچنين خطاي ميانگين مربعات را به طرز چشم گيري بهبود ببخشيم و تراوايي را با دقت 99.82 درصد پيش بيني كنيم. نتايج نشان داد كه مدل هاي گروهي در بهبود دقت پيش بيني تراوايي در مقايسه با مدل هاي انفرادي تأثير فراواني دارند و همچنين تفكيك نمونه ها بر اساس اطلاعات ليتوژي، دليلي بر بهينه نمودن تخمين تراوايي نسبت به تحقيقات گذشته بود.