اعتبارسنجی و مقایسه دو روش شبکه عصبی مصنوعی و ΔLogR در ارزیابی محتوای ماده آلی سنگ های منشاء: مطالعه موردی از سازند پابده میدان نفتی مارون

سنگ های منشاء از چگالی کمتری نسبت به دیگر لایه ها برخوردار بوده و از طرفی سرعت عبور موج، تخلخل و مقاومت بیشتری را نشان می دهند. بنابراین می توان از نگاره های چاه پیمایی به منظور شناسایی این سنگ ها و بعنوان شاخصی جهت تعیین توان هیدروکربنی آنها استفاده نمود. این مهم معمولا بوسیله روش های هوشمند نظیر شبکه عصبی مصنوعی و ΔLogR انجام می گیرد. سنگ شناسی متغیر و وجود مقادیر گوناگون ماده آلی کل (TOC)، موجب شد تا سازند شیلی آهکی پابده جهت اعتبارسنجی و مقایسه نتایج روش های نامبرده در زمینه سنجش TOC انتخاب گردد. آنالیز رگرسیونی نشان می دهد که انطباق نتایج شبکه عصبی با مقادیر پیرولیز راک ایول (99%)، به مراتب بهتر از انطباق نتایج روش ΔLogR (60%) است. محاسبه مجذور خطای میانگین (Mean Square Error) روش های یادشده نیز نتیجه فوق را آشکار نمود (استفاده بدلیل کارایی بالاتر MSE در نمایش خطای واقعی)، به طوریکه خطای MSE روش شبکه عصبی (07/0)، بسیار کمتر از روش ΔLogR (98/0) است. با افزایش محتوای ماده آلی و میزان رس نمونه ها، کارایی روش ΔLogR نیز افزایش می یابد. در این مطالعه، MSE روش ΔLogR از سنگ شناسی شیلی به آهکی، به ترتیب از 27/0 به 41/1 افزایش می یابد. براساس نتایج شبکه، TOC در سازند پابده میدان مارون از 45/0 تا 4 درصد وزنی متغیر می باشد. این سازند را از نظر میزان TOC می توان به سه بخش A و C، با مقادیر ماده آلی کمتر از 1% و B، با مقادیر ماده آلی بالاتر از 1% تقسیم نمود. ضخامت کل، میزان ماده آلی و درصد رس سازند در راستای جنوب شرق میدان افزایش می یابد که این خود نشانگر افزایش عمق حوضه ته نشینی در این راستا می باشد. در نهایت، با توجه به انطباق مرز بالایی لایه غنی از ماده آلی B با نوسانات شدید نگاره گاما، می توان این مرز را بعنوان شاخصی مناسب جهت شناسایی مرز ائوسن الیگوسن و رخداد پیرنین به کار گرفت.