معرفي دو روش مبتني بر داده براي تعيين كيفيت رخساره هاي گازي در غرب استراليا

Introduction of Two Data-Driven Methods for Determining the Quality of Gas Facies in Western Australia

در تعيين نقاط بهينه حفاري‌هاي توليدي مهم است كه زون‌هاي با كيفيت مخزني مشخص باشند. براي اين منظور از داده‌هاي ژئوشيميايي كه معمولا تعداد آن‌ها كم است استفاده مي‌كنند. اين گسستگي داده‌ها باعث ايجاد شكاف اطلاعاتي مي‌شود. چنانچه از داده‌هايي با پيوستگي بيشتر استفاده شود طوري كه دقت مدل‌سازي مناسب باشد، حفاري‌ها با شانس بيشتري انجام مي‌شود. در اين مطالعه هدف بر اين است تا كيفيت رخساره‌هاي گازي با استفاده از دو روش ناپارامتري آماري (پارزن) و تكنيك يادگيري عميق با نظارت (شبكه عصبي بازگشتي حافظه كوتاه‌مدت بلند LSTM) و به كمك داده‌هاي نگار چاه و لرزه‌اي مدل شوند. همچنين در نظر است شبكه طراحي شده به وسيله دو روش بهينه‌سازي ابتكاري الگوريتم رقابت استعماري و الگوريتم نهنگ بهينه‌سازي ‌شود. نتايج حاصل از اين مطالعه نشان مي‌دهد كه هر دو روش نتايج خوبي در طبقه‌بندي دارند، طوري كه مدل‌سازي كيفيت رخساره‌هاي گازي با استفاده از تكنيك يادگيري عميق با نظارت با دقت بيشتري (87%) نسبت به روش ناپارامتري پارزن (83%) انجام گرفته است. همچنين با اعمال الگوريتم‌هاي بهينه‌سازي دقت شبكه بيشتر شده است. بهترين دقت مربوط به شبكه LSTM بهينه شده با الگوريتم رقابت استعماري (90%) است. گزارش‌ها و داده‌هاي ژئوشيميايي مغزه‌هاي چاه، اعتبارسنجي بالاي اين مدل‌سازي‌ها را نشان مي‌دهد.

Abstract: In determining the optimal points of production drilling, it is important to identify areas of suitable reservoir quality. For this purpose, the use of geochemical data, which is usually small in number, is common. This data discontinuity creates information gaps. If one uses more continuous data so that its modeling accuracy is suitable, the drilling could be then performed with more success. In this study, seismic and well logs data were used to classify the quality of gas facies by two non-parametric statistical (Parzen) and supervised deep learning techniques (long-term short-term memory network (LSTM)). The LSTM network was then also optimized by two heuristic optimization methods (Imperialistic competition algorithm and Whale algorithm). The obtained results indicate that both methods produce good results in classification so that the modeling accuracy of gas facies quality using supervised deep learning technique (87%) is more than that of the non-parametric Parzen (83%) method. Moreover, the application of optimization algorithms has increased the classification accuracy. The best accuracy is related to the LSTM network optimized with the imperialistic competition algorithm (90%). Geochemical reports and well cores data show the high validity of these models.