تاثير همبستگي متغيرها در تخمين سرعت موج برشي به روش رگرسيون و شبكههاي عصبي

Effect of variable correlation for prediction of shear wave velocity using regression and neural networks methods

در اكتشاف منابع هيدروكربني سرعت موج برشي اغلب از روي پارامترهاي ديگر و به طور خاص، از سرعت موج فشاري تخمين زده مي شود. روش هاي مختلفي از جمله مدل هاي تئوريك، روابط تجربي، آماري و نيز شبكه هاي هوشمند براي اين كار استفاده مي شود. اما اين كه از در هر موردي از چه روشي استفاده شود، همواره جاي سوال است. يكي از نكاتي كه در انتخاب روش بايد به آن توجه شود، ميزان همبستگي بين متغيرهاي مستقل و متغير وابسته است. در اين مطالعه سرعت موج برشي به دو روش رگرسيون چند متغيره غيرخطي و شبكه عصبي در دوحالت تخمين زده شد. حالت اول با دخالت تمامي متغيرها (همبستگي بالا و پايين) و حالت دوم فقط با متغيرهاي با همبستگي پايين. نتايج نشان مي دهد كه در حالت اول تفاوت قابل ملاحظه اي بين دو روش وجود ندارد و هر دوي آنها معتبر هستند. حال آن كه در حالت دوم روش رگرسيون كاملاً اعتبار خود را از دسته داده ولي نتايج شبكه عصبي با وجود كاهش دقت تخمين، هم چنان معتبر و قابل اعتماد هستند. اين امر بيانگر آن است كه در انتخاب روش تخمين وقتي همبستگي متغيرها بالا باشد فرق چنداني بين روش ها وجود ندارد. ولي اگر همبستگي متغيرها پايين باشد، انتخاب نادرست روش تخميني خطاي قابل توجهي را وارد محاسبات بعدي مي كند.

In hydrocarbon exploration, shear wave velocity is commonly predicted from measured parameters especially compressional wave velocity. There are different methods for prediction such as theoretical models, empirical or statistical relations and artificial neural networks, but the problem is that which method is the most effective one. A very important parameter is correlation between variables which must be considered in prediction. In this study, shear wave velocity is predicted using regression and neural networks methods in two states; in the first state all variables (both high and low correlation ones) are used, but in the second state just low correlation variable are contributed. Results show that there are no significant different between methods in the first state while in the second state regression results are totally unreliable. The results of neural network method are still valid even in the second state. These show that when there are high correlation among variables there is no difference for selection of the method. However, when correlation is low wright selection of the method decreases following errors.