مقایسه کارکرد مدل‎‍های ELM و RBF برای برآورد تخلخل سازند آسماری، در یکی از میدان های فراکرانه‎‍ای شمال باختری خلیج فارس

امروزه بهره‎‍گیری از هوش مصنوعی برای افزایش دقت مطالعه و نزدیک بودن به واقعیت، بسیار متداول است و در صنعت نفت، برای افزایش دقت بررسی و شناخت رابطه میان پارامترهای گوناگون به کار می‎‍رود. هدف اصلی این پژوهش، مقایسه کارکرد دو روش ماشین یادگیری حدی (ELM) و شبکه عصبی شعاع مبنا (RBF) در مدل‎‍سازی ایستایی نفت، تخلخل است. داده های 7 حلقه چاه میدان فراکرانه ای هندیجان، واقع در کرانه شمال باختری خلیج فارس بررسی شد. در این راستا، با بهره‎‍گیری از نشانگرهای لرزه ای پس از برانبارش، که رابطه معنی داری با تخلخل دارند، و نمودار تخلخل هر چاه، کارکرد شبکه های ELM و RBF در شرایط یکسان تنظیم و مقایسه شد. سرانجام آشکار شد که ELM کاملا به مجموعه داده‎‍ها حساس است و برای تهیه نقشه (کمی) به نقاط داده بیشتری نیاز دارد، اما ازنظر رده‎‍بندی (کیفی) از RBF بهتر است. از سوی دیگر، RBF یکی از تواناترین الگوریتم‎‍ها در نقشه برداری است، به ویژه در شمار کم داده‏ها و برای دیگران چالش برانگیز است.