چكيده فارسي :
توانایی سنگ متخلخل جهت انتقال سیالات، تراوایی نامیده میشود. تراوایی یكی از مهمترین خواص سنگ مخزن بوده
و اهمیت آن در این است كه تولید نفت از مخازن، تابع مستقیم تراوایی است. تعیین تراوایی با استفاده از روشهای مختلفی
صورت میپذیرد كه معمولا گران و زمانبر هستند. با پیشرفتهای نرمافزاری و سختافزاری، استفاده از آنالیز تصویر و
سیستمهای هوشمند بهمنظور تعیین خواص سنگ مخزن مانند تراوایی برای به حداقل رساندن زمان و هزینه گسترش یافته
است. این مقاله، مدلی را براساس مجموعه های از داده های پتروگرافی و سیستمهای هوشمند برای پیشبینی تراوایی ارائه
میدهد. یازده پارامتر پتروگرافی شامل انواع تخلخل بین دانهای، درون دانهای، قالبی، میكرو و نوری و مقادیر سیمان، آهك،
دولومیت و انیدریت و نوع بافت سنگ و میانگین ضریب شكل هندسی فضاهای خالی با آنالیز تصویر پتروگرافی استخراج
شده است. سپس تراوایی با استفاده از سیستمهای هوشمند منحصر بفرد شامل مدل شبكه عصبی، منطق فازی و نروفازی
پیشبینی شده است. میانگین مربعات خطای مدل شبكه عصبی، منطق فازی و نروفازی برای داده تست بهترتیب برابر
8 محاسبه شده است. سپس از ماشین كمیته مبتنی بر میانگینگیری، برای تعیین سهم مقادیر / 8/8180 و 8800 ،8/8110
8/ تراوایی پیشبینی شده از سیستم های هوشمند استفاده شده است. ماشین كمیته با میانگین مربعات خطای 72 00 /0
چكيده لاتين :
Permeability is the ability of porous rock to transmit fluids. Permeability is one of the most important properties of reservoir rocks because oil production from a reservoir depends on the permeability of the reservoir. Permeability is determined using a variety of methods, which are usually expensive and time consuming. Reservoir rock properties can be determined using image analysis and intelligent systems to reduce time and money. This study presents an improved model based on the integration of petrographic data and intelligent systems to predict reservoir rock permeability. Petrographic image analysis was employed to measure the inter-granular porosity, inter-crystalline porosity, moldic porosity, micro porosity and optical porosity, amount of cement, limestone, dolomite and anhydrite, type of texture and mean geometrical shape coefficient. The permeability was predicted using individual intelligent systems including a neural network, a fuzzy logic, and a neuro-fuzzy model. The mean squares error of the neural network, fuzzy logic and neuro-fuzzy methods were, respectively, obtained as 0.0168, 0.0107 and 0.0095. Afterwards, committee machine based on simple averaging was used to combine the permeability values calculated from the individual intelligent systems. As a result, the mean squares error of the committee machine was obtained as 0.0072. These results showed that the committee machine performed better than neural net, fuzzy logic, and neuro-fuzzy models acting alone
