پيش بيني سرعت موج برشي با استفاده از لاگ هاي پتروفيزيكي و الگوريتم هاي يادگيري عميق در يكي از ميادين هيدروكربني ايران

سرعت موج برشي يكي از مهم ترين پارامترهاي اثرگذار در مدل سازي هاي پتروفيزيكي و ژئومكانيكي است. براي تعيين سرعت موج برشي مدل هاي تجربي زيادي معرفي شده اند كه هر كدام از آنها مختص منطقه اي خاص هستند. يكي از روش هايي كه اخيرا زياد مورد استفاده قرار مي گيرد روش هاي هوشمند است.در اين مطالعه سرعت موج برشي با استفاده از روش يادگيري عميق در يكي از چاه هاي مخازن هيدروكربني جنوب غرب ايران پيش بيني شده است. در اين مقاله از ضريب همبستگي پيرسون براي انتخاب ويژگي ها استفاده شد و در ادامه با استفاده از شبكه عصبي پرسپترون چندلايه (MLP)، شبكه عصبي بازگشتي + شبكه عصبي پرسپترون چندلايه (LSTM+MLP)، شبكه‌ عصبي تبديلي + شبكه عصبي پرسپترون چندلايه (CNN+MLP) سرعت موج برشي تخمين زده شد و مقدار خطا و ضريب تعيين (R2) براي داده هاي آموزش و تست محاسبه گرديد. همچنين جهت اطمينان از نتايج الگوريتم ها بخشي از داده به عنوان داده شاهد كنار گذاشته شد و خطا و ضريب تعيين براي اين داده ها نيز محاسبه گرديد كه ضريب تعيينRMLP^2=0.7989، R(LSTM+MLP)^2=0.8984، R(CNN+MLP)^2=0.9032 به دست آمده است. نتايج بيانگر بالاتر بودن خطا و كمتر بودن ضريب تعيين مربوط به شبكه MLP نسبت به شبكه هاي LSTM+MLP و CNN+MLP است. با توجه به نتايج حاصل شده مي توان از روش هاي يادگيري عميق جهت پيش بيني سرعت موج برشي به عنوان روشي مناسب و كم هزينه استفاده كرد.