پیش بینی تراوایی سنگ مخزن کربناته با استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان در یکی از مخازن نفتی ایران

تراوایی از مولفه های اساسی در ارزیابی مخازن هیدروکربنی است که عمدتا از طریق اندازه گیری های آزمایشگاهی از مغزه یا داده های چاه آزمایی به دست می آید. با این حال، به دلیل هزینه زیاد و فراوانی کم این نوع از داده ها، پیش بینی تراوایی با استفاده از داده های چاه نگاری از جایگاه ویژه ای برخوردار است. در این مطالعه، برای تخمین تراوایی، ابتدا داده های چاه نگارها با توجه به مطالعات زمین شناسی صورت گرفته بر روی میدان مورد مطالعه به چهار گروه رخساره های الکتریکی دسته بندی می شوند: پکستون-وکستون–مادستون، پکستون–وکستون، گرینستون–پکستون و گرینستون–پکستون–وکستون.
در این مطالعه، از شبکه های عصبی مصنوعی و ماشین بردار پشتیبان برای تخمین تراوایی در یکی از مخازن ناهمگون کربناته با استفاده از داده های چهار چاه در میدان مذکور استفاده شده است. جهت تخمین تراوایی، ابتدا داده های نگاره های چاه با استفاده از روش های «تجزیه وتحلیل مولفه های اصلی» و «تجزیه وتحلیل خوشه مبتنی بر مدل» به رخساره های الکتریکی تقسیم بندی شده اند. سپس هر رخساره الکتریکی به عنوان ورودی شبکه عصبی مصنوعی و ماشین بردار پشتیبان جهت تخمین تراوایی در نظر گرفته شده اند.
شبکه عصبی مصنوعی با استفاده از «توابع پس انتشار لونبرگ»، «گرادیان نزولی با تکانه وزنی» و «تابع یادگیری بیاس» با ده لایه مخفی آموزش داده شده است. از ماشین بردار پشتیبان با رگرسیون های اپسیلون و نو با توابع کرنلی مختلف استفاده شده است. در این مطالعه، تابع کرنل شعاعی ماشین بردار پشتیبان دارای خطای کمتری در مقایسه با شبکه عصبی است. خطای حاصل از ماشین بردار پشتیبان برای رخساره های الکتریکی گروه اول تا چهارم به ترتیب برابر است با: 0.0065، 0.0242، 3.6587 و 0.0195.