پيش بيني تروايي در يك مخزن متراكم گازي با استفاده از ماشين برداري پشتيبان و شبكه عصبي مصنوعي

تولید نفت و گاز از مخازن نامتعارف با چالشهای فراوانی روبرو است كه در این بین تعیین دقیق ویژگیهای پتروفیزیكی میتواند امری راهگشا در توسعه مخزن باشد. درواقع بدون تعیین دقیق این ویژگیها، تحلیل دقیق بسیاری از مسائل مهندسی نفت ناممكن میباشد. تراوایی از مهمترین ویژگیهای مورد بحث در مطالعات پتروفیزیكی مخازن هیدروكربوری میباشد. این ویژگی معمولا در آزمایشگاه و از آنالیز مغزه تعیین میگردد. پیشبینی تراوایی از روی نگارهای چاه به این دلیل مهم است كه آنالیز مغزه به دلیل هزینه های بسیار زیاد و زمان بر بودن فقط برای تعداد كمی از چاه های حفرشده موجود میباشد، درحالیكه داده نگارهای پتروفیزیكی برای اكثر چاهها موجود بوده و اطلاعات پیوستهای از ویژگی- های سازند در طول چاه به دست میدهند. برای پیشبینی تراوایی از روی نگارها روابط تجربی متعددی وجود دارد كه قابلیت تعمیمدهی نداشته و فقط در شرایط خاصی قابل استفادهاند. پیشرفتهای اخیر در روشهای هوش مصنوعی و یادگیری ماشینی روشهای مناسبی را برای ساخت مدلهایی از تراوایی در مخازن ناهمگون فراهم نموده است. در این پژوهش، از ماشین برداری پشتیبان و شبكه عصبی مصنوعی پرسپترون چندلایه برای ساختن مدلهای پیشبینی تراوایی در یك مخزن متراكم گازی استفاده شده تا توانایی آنها در تعیین روابط بین ویژگیهای پتروفیزیكی سنجیده شود. عملكرد این روشها با یكدیگر نیز مقایسه گردید. آنالیز خطاها نشان میدهد كه ماشین برداری پشتیبان قابلیت بالایی در پیشبینی تراوایی در مخازن متراكم گازی دارد و حتی میتواند عملكرد بهتری نسبت به شبكه های عصبی مصنوعی داشته باشد.

Oil and gas production from tight gas reservoirs, has many challenges. Determination of petrophysical properties can be a key element. In fact, it is not possible to have accurate solutions to many petroleum engineering problems without having accurate measurement of these properties. Permeability is one of the most important petrophysical properties. Permeability is often measured in laboratory from core samples. The prediction of permeability using well log data is important because the core analysis are usually only available from a few wells in a field and have high coring and laboratory analysis costs, while most wells are logged and well logs provide continuous records across the well. The common practice is to estimate properties from logs using empirical equations developed from limited core data; however, these correlation formulae are not universally applicable. Recent advances in machine learning methods have provided attractive alternatives for constructing interpretation models of rock properties in heterogeneous reservoirs. Here, support vector machines and multilayer perceptron neural network have been used to predict permeability in Mesaverde formation, located in Washakie basin. Results these two methods in predicting permeability have been compared. Error analysis revealed that support vector machines have great capabilities in predicting permeability tight reservoirs and can perform even better than neural networks