معرفی دو روش مبتنی بر داده برای تعیین کیفیت رخساره های گازی در غرب استرالیا

در تعیین نقاط بهینه حفاری های تولیدی مهم است که زون های با کیفیت مخزنی مشخص باشند. برای این منظور از داده های ژیوشیمیایی که معمولا تعداد آن ها کم است استفاده می کنند. این گسستگی داده ها باعث ایجاد شکاف اطلاعاتی می شود. چنانچه از داده هایی با پیوستگی بیشتر استفاده شود طوری که دقت مدل سازی مناسب باشد، حفاری ها با شانس بیشتری انجام می شود. در این مطالعه هدف بر این است تا کیفیت رخساره های گازی با استفاده از دو روش ناپارامتری آماری (پارزن) و تکنیک یادگیری عمیق با نظارت (شبکه عصبی بازگشتی حافظه کوتاه مدت بلند LSTM) و به کمک داده های نگار چاه و لرزه ای مدل شوند. همچنین در نظر است شبکه طراحی شده به وسیله دو روش بهینه سازی ابتکاری الگوریتم رقابت استعماری و الگوریتم نهنگ بهینه سازی شود. نتایج حاصل از این مطالعه نشان می دهد که هر دو روش نتایج خوبی در طبقه بندی دارند، طوری که مدل سازی کیفیت رخساره های گازی با استفاده از تکنیک یادگیری عمیق با نظارت با دقت بیشتری (87%) نسبت به روش ناپارامتری پارزن (83%) انجام گرفته است. همچنین با اعمال الگوریتم های بهینه سازی دقت شبکه بیشتر شده است. بهترین دقت مربوط به شبکه LSTM بهینه شده با الگوریتم رقابت استعماری  (90%) است. گزارش ها و داده های ژیوشیمیایی مغزه های چاه، اعتبارسنجی بالای این مدل سازی ها را نشان می دهد.