بررسی استفاده از روش های یادگیری ماشین به منظور دسته بندی سنگ مخازن هیدروکربنی در میدان نفتی A

تقسیم مخازن هیدروکربنی پیچیده (از جمله مخازن هیدروکربنی در ایران) به دسته های سنگی متفاوت پیش از توسعه ی روابط تحلیلی بین پارامترهایی همچون تراوایی و تخلخل، ضرورت دارد. دسته بندی سنگ مخزن، کیفیت ساخت مدل مخزن و در نتیجه، تخمین میزان نفت درجا، تحرک پذیری سیالات و پیش بینی رفتار آنها را تحت تاثیر قرار می دهد. عمده ی تحقیقات انجام شده در زمینه ی دسته بندی سنگ مخزن بر پایه ی روش های تحلیلی و بر اساس روابطی است که برای توصیف فضای خالی مخزن توسعه یافته است. از این میان می توان به روش توسعه داده شده توسط آمافول و همکاران(RQI-FZI) و روش میرزایی پیامن و همکاران(FZI*) اشاره کرد که از روابط تحلیلی ساده برای پارامترهای FZI و FZI* جهت تشخیص دسته های سنگ استفاده می کند. نتایج استفاده از این روش ها حاکی از آن است که این روابط تحلیلی تصور ساده سازی شده ای از سنگ مخزن ارایه می کنند و گاهی موجب بروز خطا در محاسبات و عدم دسته بندی مناسب سنگ مخزن می شوند. روش های دسته بندی سنگ بر پایه ی یادگیری ماشین در مقایسه با روش های دسته بندی مرسوم از ریاضیات پیچیده تری استفاده کرده و امکان دسته بندی موفقیت آمیز در مخازن پیچیده تر را فراهم می سازند. علاوه بر این، الگوریتم این روش ها با دخالت کمتر کارشناسان و صرف زمان کمتر از جانب آنها اجرا می شود. در این مطالعه از داده های چاه نگاری دو چاه در میدان A جهت دسته بندی سنگ مخزن به کمک روش های یادگیری ماشین استفاده می شود. روش یادگیری ماشینی که در این مطالعه استفاده می شود از نوع نقشه ی خودسازمان ده (1SOM) خواهد بود.
در الگوریتم توسعه داده شده جهت دسته بندی سنگ مخزن از تحلیل مولفه ی اصلی (2PCA) به منظور کاهش تعداد پارامترهای ورودی به الگوریتم نقشه ی خودسازمان ده و همچنین کاهش نویز استفاده می شود. جهت ارزیابی نتایج دسته بندی ایجاد شده نیز از نمودارهای فشار مویینه ی آن دو چاه استفاده شده است. همچنین نتایج حاصل با نتایج استفاده از یکی از روش های مرسوم دسته بندی سنگ مخزن (روش FZI* معرفی شده توسط میرزایی پیامن و همکاران) بر روی داده های مغزه ی دو چاه مورد اشاره مقایسه شده است. این مقایسه حاکی از بهبود دسته بندی سنگ مخزن توسط نقشه ی خودسازمان ده است.