مدل سازی پهنه های اکتشاف نفتی با شبکه عصبی پرسپترون چند لایه (MLP) در GIS

فرآیند اکتشاف منابع هیدروکربنی به عنوان فرآیندی بسیار پیچیده و پرهزینه می باشد. در این فرآیند فاکتورهای متعدد زمین شناسی، ژئوشیمی و ژئوفیزیک تهیه و باهم تلفیق می شوند. طراحی بهترین مسیر برای برداشت داده های لرزه نگاری و همچنین تعیین بهترین محل برای حفر چاه های اکتشافی از اهمیت ویژه ایی برخوردار است، زیرا نتیجه تعیین نادرست یا بی دقت این مکان ها، صرف هزینه و زمان زیاد در طول عملیات می باشد. این تحقیق با هدف تعیین مناطق محتمل نفت و گاز با مقیاس 1:25000 اهواز با 20 میدان نفتی به منظور کاهش زمان و هزینه اکتشاف و تولید می باشد. 17 نقشه فاکتور شامل: کمترین و بیشترین مقدار(غنای کربن آلی، بازده پتانسیل برای تولید هیدروکربن، پیک Tmax، اندیس تولید، اندیس اکسیژن، اندیس هیدروژن) و داده های مجاورت به مناطق دارای آنومالی باقی مانده ثقل بوگه بالا، محور طاقدیس ها و گسل ها، نقشه ناهمواری و انحنا حاصل از منحنی های زیر سطحی سازند آسماری توسط توابع سیستم اطلاعات جغرافیایی ایجاد شدند. برای ترکیب نقشه های فاکتور، از مدل شبکه عصبی پرسپترون MLP که از روش های داده مبنا است، استفاده شد. نتایج حاصل از مدل سازی با داده های آزمون نشان داد که شبکه عصبی 5×10×17، با شاخص کاپای 9079/0، همبستگی 8948/0 و RMSE برابر با 0267/0 توانسته است بهتر از مدل های دیگر، خروجی ها را تولید کرده و با دقت بالایی میدان های نفتی را پیش بینی کند هرچند که میادین سوفلا و سپهر شناسایی نشده و برخی قسمت ها نیز به اشتباه، جزء میادین نفتی طبقه بندی شده اند.