كاربرد شبكه‌هاي عصبي ‏RBF‏ و ‏PNN‏ در تعيين رخساره هاي يكي از ميدان‌هاي گازي‏جنوب ايران

The Application of RBF & PNN Neural Networks in Facies Determination in ‎One of the South Gas Fields, Iran

يكي از مراحل اساسي در تعيين و توصيف ويژگي‌هاي زمين شناسي و مهندسي يك مخزن، تعيين رخساره هاي مختلف سنگ هاي آن مخزن توسط داده هاي حاصل از عمليات چاه نگاري و ‏مغزه گيري است. در اين تحقيق در نظر است با استفاده از شبكه هاي عصبي ‏RBF‏ و ‏PNN‏ ، رخساره هاي ميدان گازي پارس جنوبي براي كاربرد كلان‌تر در مدل‌سازي استاتيك و ديناميك ‏مخزن، تعيين و شناسايي شود. روش هاي يادشده براي اولين‌بار در تعيين رخساره هاي سنگي در ميدان‌هاي ايران استفاده شده است. در اين مطالعه از پارامترهاي هدف وگسترش شبكه هاي ‏مذكور در بهبود عملكرد آن شبكه ها استفاده شده است. در اين راستا، بهبود عملكرد شبكه با استفاده از پارامترهاي يادشده نشان داد كه مقادير بهينه عدد گسترش و هدف، به ترتيب بين 01/0 تا ‏‏10 و 02/0 تا 04/0 متغير است. نتيجه حاصل از به كارگيري اين روش ها، نشان داد كه شبكه هاي عصبي توانايي بالايي در تعيين رخساره ها دارند.‏

Determination of different facies is one of the important and basic tasks of geological engineering characterization of reservoir rocks from well ‎logs and core data. Our objective is to identify and determine different facies of the South Pars Field using RBF and PNN neural networks in ‎order to perform static and dynamic simulation. These networks are utilized to identify facies of the South Pars Field for the first time in Iran. In ‎this study, we use different parameters of mentioned networks such as ‘spread’ and ‘goal numbers’ to improve networks operation. In this ‎regards, the optimum values of these two parameters were 0.01-10 and 0.02-0.04 respectively. The results show that the RBF and PNN neural ‎networks are robust means to determine and model the facies of the South Pars Field in Iran. ‎