طراحی مدل گروهی تخمین تراوایی مخزن هیدروکربوری با استفاده از نگاره های پتروفیزیکی بر اساس تفکیک لیتولوژیکی

تراوایی یا نفوذپذیری، یکی از خصوصیات مهم مخازن نفت و گاز است که پیش بینی آن دشوار می باشد. در حال حاضر از مدل های تجربی و رگرسیونی برای پیش بینی تراوایی استفاده می شود، از سوی دیگر افزایش دقت در پیش بینی تراوایی جهت نقاطی که فاقد نمونه مغزه است از اهمیت ویژه ای در تحلیل رفتار مخزن برخوردار است. در چند وقت اخیر، به دلیل قابلیت پیش بینی بهتر، از الگوریتم های یادگیری ماشین برای پیش بینی تراوایی استفاده شده است. در این مطالعه، مدل یادگیری ماشین گروهی جدیدی برای پیش بینی تراوایی در مخازن نفت و گاز معرفی شده است. در این روش، داده های ورودی با استفاده از اطلاعات لیتولوژی لاگ ها برچسب گذاری شده و به تعدادی از خوشه ها تفکیک می شوند و هر خوشه توسط الگوریتم یادگیری ماشین مدل سازی شد. برخلاف مطالعات قبلی که به صورت مستقل روی مدل ها کار می کردند در اینجا ما ضمن طراحی یک مدل گروهی با استفاده از الگوریتم های رگرسیون درخت تصمیم افزوده (ETR)، رگرسیون درخت تصمیم (DTR) و رگرسیون گرادیان تقویت شده (GBR) و داده های پتروفیزیکی، توانستیم صحت و دقت پیش بینی همچنین خطای میانگین مربعات را به طرز چشم گیری بهبود ببخشیم و تراوایی را با دقت 99.82 درصد پیش بینی کنیم. نتایج نشان داد که مدل های گروهی در بهبود دقت پیش بینی تراوایی در مقایسه با مدل های انفرادی تاثیر فراوانی دارند و همچنین تفکیک نمونه ها بر اساس اطلاعات لیتوژی، دلیلی بر بهینه نمودن تخمین تراوایی نسبت به تحقیقات گذشته بود.