بهینه سازی الگوریتم های یادگیری ماشین جهت تخمین تراوایی مخازن زیرزمینی نفت و گاز

خواص سنگ و سیال نقش بسیار مهمی در موفقیت مدیریت و توسعه ی مخازن نفت و گاز دارند. تراوایی3 (نفوذپذیری) از مهم ترین ویژگی های سازندهای هیدروکربنی است. تراوایی را از طریق اندازه گیری های مستقیم آزمایشگاهی روی مغزه های سنگ یا آزمایش چاه به دست می آورند. اما به دلیل وقت گیر و هزینه بر بودن و همچنین مشکلات عملیاتی، فقط تعداد محدودی از چاه ها مغزه گیری شده یا آزمایش چاه فقط به تعداد محدودی در میدان نفتی صورت می گیرد. بنابراین استفاده از روش های غیرمستقیم محاسباتی، اجتناب ناپذیر است. یکی از اهداف مطالعات پتروفیزیکی، تخمین دقیق و صحیح تراوایی در چاه هایی است که اندازه گیری تراوایی در آنها به هر دلیلی (نبود مغزه، وجود شکستگی در نمونه ها و...) ممکن نیست. در این مطالعه از الگوریتم رگرسیون ماشین بردار پشتیبان4، کاربرد حالت های مختلف آن و الگوریتم رگرسیون ماشین بردار پشتیبان یکنواخت5 جهت تخمین تراوایی مخازن نفتی و همچنین از اطلاعات نگارهای چاه ها بهعنوان ورودی الگوریتم ها استفاده شده است. نتایج این تحقیق نشان می دهد که اگر اطلاعات کمی و کیفی نسبتا خوبی از داده های نگارهای چاه در اختیار باشد، می توان تراوایی را بهخوبی و با ضریب خطای نسبتا کمتری برای داده های جدید یا داده های دچار اشکال شده محاسبه کرد؛ علاوه بر این در بهترین حالت با آموزش 80 درصد کل داده های موجود میتوان با استفاده از رگرسیون ماشین بردار پشتیبان یکنواخت، تراوایی را با ضریب همبستگی 96/1 درصد و خطای میانگین مربعات 0/0008 تخمین زد.