استفاده از دسته بندي كننده knn براي شناسايي رخساره هاي مخزني

رخساره های رسوبی نقش مهمی در سرشت نمایی مخازن كربناته ایفا می كنند زیرا خواص جریانی اینگونه مخازن عموماً در ارتباط و انطباق با رخساره های خاصی است. روشهای یادگیری ماشینی ابزارهایی هستند كه به صورت گسترده برای استخراج رخساره ها از روی نگارهای چاه پیمایی، در بخشهای فاقد مغزهی این مخازن مورد استفاده قرار می گیرند. اما از آنجا كه معیارهایی چون سنگ شناسی، بافت، ساخت و محتوای فسیلی برای تفكیك رخساره ها مورد استفاده قرار میگیرد كه هر كدام تأثیر متفاوتی روی پاسخ نگار گذاشته و برآیند پیچیدهای به وجود می آورند، بسیاری از این روشها كارآمد نیستند. در این مطالعه هدف شناسایی رخساره های رسوبی بخش فوقانی سازند سروك با استفاده از قانون knn در سه چاه یكی از میادین بزرگ دشت آبادان بوده كه با محدودیت داده های مغزه مواجه است. این سازند در یك محیط رسوبی از نوع رمپ رسوب كرده و بر اساس دو دیدگاه مختلف از 6 یا 4 مجموعه رخساره تشكیل شده كه هركدام در یك محیط رسوبی خاص نهشته شده اند. تغییر رخساره ها در بازه های عمقی كوتاه، محدودیت تعداد نگارهای در دسترس و تغییر پذیری اندك آنها شناسایی رخساره ها را با مشكل روبه رو نموده است. در این مطالعه با استفاده از قانون دسته بندی knn و نتایج مغزه و نگار، الگوریتمی نوشته و اعتبارسنجی شد، در حالت 6 كلاسه دقت دسته بندی كننده برابر 77.51% و در حالت 4 كلاسه دقت 80.98% حاصل شد. كارآیی بالای این روش، توانایی آن برای انجام این هدف و ساخت مدل رسوبی چینه ای مخزن در این میدان و میادین مشابه را نشان می دهد، علاوه بر این تعریف رخساره ها به گونه ای بوده كه از خروجی حاصل می توان وضعیت دیرینه ی حوضه را نیز تفسیر كرد.