كاربرد شبكه عصبي مصنوعي در تخمين يكي از پارامترهاي بحراني ارزيابي كيفيت مخازن

The Application of Artificial Neural Network in Estimating One of the Critical Parameters of Reservoirs Quality Assessment

تخمين دقيق پارامترهاي مخزني مانند تخلخل براي تعيين خصوصيات مخزن، ارزيابي حجم نفت و فاز تصميم گيري كليدي هستند. اين پارامتر مي تواند از طريق تفسير نگارهاي پتروفيزيكي يا آناليزهاي مغزه با صرف هزينه قابل توجه بدست آيد. اما ممكن است تمام چاه هاي يك ميدان مغزه گيري نشده باشند يا تعداد چاه هايي كه فرآيند مغزه گيري بطور كامل در آن ها اجرا شده است محدود باشند. بنابراين استفاده از روش هاي نوين و هوشمند مانند شبكه عصبي مصنوعي كه بتوانند با ارائه نتايجي دقيق و قابل اطمينان خصوصيات حياتي ارزيابي كيفيت مخزن را در ميادين مورد مطالعه تخمين بزنند، مي توانند گامي مهم در راستاي اكتشاف منابع هيدروكربني ايفا نمايند. بنابراين براي افزايش دقت تخمين اين پارامتر در سازند كشف رود در ميدان گازي خانگيران، رويكردي بر اساس شبكه عصبي مصنوعي به اجرا در آمد. براي اجراي يك شبكه پرسپترون چند لايه اي شبكه عصبي مصنوعي، با استفاده از يك الگوريتم زمين آماري تعداد داده هاي آزمايشگاهي بدست آمده براي تخلخل به 686 داده افزايش يافت. فرآيند تخمين توسط دو دسته متفاوت از داده هاي ورودي اجرا شد. در رويكرد اول، تمام داده هاي نگارهاي پتروفيزيكي به عنوان ورودي انتخاب شدند. در رويكرد دوم، بر اساس نتايج ماتريس همبستگي پيرسون برخي از نگارها ملاك انتخاب قرار گرفتند كه نتايج حاكي از بهبود قابل توجهي در اعداد بدست آمده بود. نهايتاً شبكه پرسپترون چند لايه اي بهينه با توپولوژي 1-7-6 براي تخمين تخلخل با ميانگين مربعات خطا 4-^10×2.787 انتخاب شد. شبكه هاي پرسپترون چند لايه اي نشان دادند كه توانايي بهبود نتايج را به طور قابل ملاحظه اي تا %99 دارند. با وجود مقادير بالاي خطاي محاسبات پارامتر مخزني مورد مطالعه از طريق روش هاي سنتي پتروفيزيكي، با بهره گيري از روش هاي نوين مانند يادگيري ماشين مهندسين مي توانند انتظار بهبود قابل توجه در نتايج تخمين پارامترهاي مخزني را داشته باشند.

An Accurate estimation of reservoir parameters such as porosity is key for reservoir characterization, oil volume assessment, and decision-making phase. This parameter can be obtained through the interpretation of petrophysical logs or core analyzes with a considerable cost. Though, it is possible that all the wells of a field have not been cored or the number of wells in which the coring process has been completely implemented is limited. Therefore, the use of modern and intelligent methods such as artificial neural network (ANN), which can provide accurate and reliable results to estimate the critical characteristics of the reservoir quality in the studied fields, can play a crucial step in the direction of hydrocarbon resource exploration. Thus, to increase the accuracy of the estimation of this parameter in the Kashfroud Formation in Khangiran Gas Field, an approach based on ANN was used. To implement a multilayer perceptron (MLP) network of ANN, by a geostatistical algorithm, the number of laboratory data obtained for porosity increased to 686 data. The estimation process was performed by two different sets of input data. In the first approach, all data from petrophysical logs were selected as input. In the second approach, based on the results of the Pearson Correlation Matrix, some well logs were selected as the selection criteria, and the results indicated a significant improvement in the obtained numbers. Finally, the optimal MLP network with the topology of 6-7-1 was chosen to estimate porosity with mean square error (MSE) of 2.787×10^(-4) . MLP networks showed that they have the ability to improve the results significantly up to 99%. Despite the high error values of reservoir parameter calculations studied through traditional petrophysical methods, with the use of modern methods such as machine learning, engineers can expect a significant improvement in the results of reservoir parameters estimation.