بررسي ميزان تاثير موقعيت چاه هاي همجوار و حجم داده هاي ورودي روي عملكرد شبكه هاي عصبي جهت تخمين لاگ هاي مصنوعي چاه پيمايي

شناخت رفتار و خواص سنگ و سیال مخزن، از اصول مهم و لاینفك در مدیریت آن است. به لحاظ پیچیدگی و عدمقطعیت در ابعاد استاتیكی و دینامیكی مخازن، این شناخت به سادگی حاصل نمی شود و نیازمند همكاری و توالی یك سریتكنیك ها و تخصص های مرتبط با مهندسی نفت است. ارزیابی پتروفیزیكی به منظور محاسبه برخی پارامترهای مخزنی(تخلخل، درصد اشباع سیال، لیتولوژی و ...) یكی از ابزارهای مهم در این رابطه است. این پارامترها نتیجه تفسیر نمودارهایپتروفیزیكی به منظور مشخصه سازی و توصیف مخزن می باشد. ساخت نمودارهای پتروفیزیكی مصنوعی تكنیكی است كه اخیراً با استفاده از روشهای نوینی همچون شبكه های عصبی مصنوعی مورد بحث و بررسی قرار گرفته است كه دیدگاه هایمتفاوتی درباره كیفیت و كارایی آن در این زمینه مطرح است.هدف این مطالعه، تحلیل حساسیت شبكه های عصبی مصنوعی به موقعیت چاه های همجوار چاه مورد مطالعه و هم چنین میزان و كمیت داده های ورودی است. برای بخش اول كار، نمودار فاكتور فوتوالكتریك (PEF) چاه A با استفاده از سه چاه همسایه (B, C, D) ساخته شد و بر اساس نتایج به دست آمده مشاهده شد كه افزایش فاصله و لذا ناهمگنی مخرن و نیزتغییر موقعیت چاه در یال دیگر میدان، دقت شبكه را كاهش می دهد. در بخش بعدی تحقیق، با هدف بهینه سازی فرآیند آموزش شبكه عصبی برای تخمین نمودار PEF داده های ورودی با نسبت های 80%، 60%، 40% و 20% كل داده ها به صورت تصادفی انتخاب شدند. افزایش دادههای ورودی تا جایی كه در الگوی حاكم بر داده ها تنوعی پیش نیاید، با بهبود عملكردشبكه همراه است؛ در غیر اینصورت باید داده های ورودی دسته بندی شوند.

Recognition of behavior and properties of reservoirs rock and fluid is one of the most important issues in reservoir management. Because of complexity and uncertainty in static and dynamic dimensions, recognition of reservoir is not easy and needs many techniques which are related to oil engineering. Petrophysical evaluation to calculate some parameters (porosity, percent of water saturation lithology,…) is an important method in this subject. Interpretation of petrophysical logs estimate these parameters for characterization of reservoirs. Recently, generation of artificial petrophysical logs is become a special technique which is discussed by a new approach called artificial neural networks. In this study , sensitivity analysis of the artificial neural networks to the nearby wells location and quantity of the input data were investigated. At the first part of this research, the photoelectric factor log (PEF) using three nearby wells (B, C, D) of the observed well, A, was synthesized. Based on these results, increase in distance and the heterogeneity of the reservoir and also changing the well location to different plunge led to decreasing the designed ANN performance. In the next part, for optimizing the neural network training process for estimating PEF log, the input data with the ratio of 80 % , 60 % , 40 % and 20 % were randomly selected. Until the dominant pattern of the input data is unique, the more input volume the better network performance; otherwise the input data should be classified.