طبقه بندی رخساره های سنگی سنگ مخزن هیدروکربوری با استفاده از چاه نگاری به کمک شبکه عصبی مصنوعی

یک مخزن هیدروکربوری، از سنگ های رسوبی لایه ای تشکیل شده است که در طی یک دوران طولانی رسوب گذاری شده و با گذشت میلیون ها سال تحولات دیاژنزی، دچار تغییرات ساختاری شده اند. این فرایند ها، با تغییرات دائمی خواص فیزیکی مخزن در طول دوران های زمین شناسی همراه هستند. شناخت رخساره یکی از مهم ترین این خواص است که به مهندسان نفت توانایی طراحی و مدیریت موثر برای شناخت دقیق تر و توسعه میدان های نفت و گاز را می دهد. این مقاله، به طبقه بندی رخساره های سنگی (Lithofacies) سنگ مخزن هیدروکربوری با به کارگیری فن شبکه عصبی مصنوعی با الگوریتم پس انتشار خطا(BP) و الگوریتم آموزش لونبرگ- مارکوآرت از روی داده های نگار های پرتوگاما، چگالی، نوترون، صوتی و اثر فتوالکتریک (PEF) می پردازد. همچنین، میزان تاثیر نگار صوتی در برآورد رخساره ها نیز در اینجا ارزیابی شده است. با توجه به اینکه تعیین رخساره سنگ مخزن با آزمایش های مغزه پرهزینه است با به کارگیری روش می توان هزینه های مربوط به شناسایی رخساره را از راه کاهش نیاز به عملیات مغزه گیری، تقلیل داد.
داده های مربوط به چهار چاه در یکی از مخازن هیدروکربوری مورد استفاره قرار گرفت، به این صورت که شبکه، ابتدا در یکی از چاه های مخزن که دارای آنالیز مغزه بود، آموزش داده شد و در چاه دیگری که داده های آن در آموزش شبکه سهمی نداشت، آزمایش شد و پس از حصول اطمینان از کارآیی آن، از شبکه به منظور برآورد رخساره ها در2 چاه دیگر(چاه A1 و A2 استفاده شد. مقدار MSE این روش درصورتی که فقط از نگار های پرتوگاما، چگالی، نوترون و اثر فتوالکتریک استفاده شود، برای چاه A1، 0.068 و برای چاه A2، 0.074 و درصورتی که از نگار صوتی نیز به همراه نگار های پرتوگاما، چگالی، نوترون و اثر فتوالکتریک استفاده شود مقدار MSE به 0.052 برای چاه A1 و 0.060 برای چاه A2 می رسد، که نشان از بهتر شدن برآورد دارد.