برآورد نفوذپذیری میدان گازی پارس جنوبی با استفاده از شبکه عصبی رگرسیون عمومی

نفوذپذیری یکی از ویژگی های بسیار مهم مخازن نفتی است که قابلیت انتقال یک شاره مانند نفت، گاز و یا آب را درفضاهای خالی موجود در سنگ مخزن نشان می دهد. تعیین نفوذپذیری در فرایندهایی چون برآورد ذخیره، تولید و توسعه مخازن نفتی، جایگاه خاصی دارد. در صنعت نفت معمولا روش استاندارد برای تعیین نفوذپذیری، آنالیز مغزه و آزمایش چاه است. این روش ها بسیار پرهزینه اند. از طرفی همه چاه های یک میدان دارای مغزه نیستند. درنتیجه روشی که بتواند با استفاده از نگارهای چاه پیمایی خواص پتروفیزیکی مخزن از جمله نفوذپذیری را به دست دهد، اهمیت زیادی خواهد داشت، زیرا در همه چاه های یک میدان معمولا نگارهای چاه موجود هستند. در این تحقیق از روش شبکه عصبی رگرسیون عمومی (GRNN، General regression neural network)‎ برای برآورد نفوذپذیری دو سازند کنگان و دالان میدان گازی پارس جنوبی به روش نگارهای چاه پیمایی استفاده شده است و نتایج با روش برآورد رگرسیون خطی چندمتغیره نیز مقایسه شد. نتایج حاصل نشان می دهد که ضریب همبستگی متوسط بین نفوذپذیری پیش بینی شده با شبکه عصبی طراحی شده و نفوذپذیری مغزه برای دو سری داده آموزش و آزمون به ترتیب حدود 95‎/0 و 902‎/0 در مقایسه با مقادیر 85‎/0 و 812‎/0 روش رگرسیون خطی چندمتغیره است. این در حالی است که برای داده های مرحله آزمون میزان خطای برآورد شبکه عصبی در مقابل خطای روش رگرسیون خطی چندمتغیره به طور قابل ملاحظه ای کمتر بوده است (متوسط 65‎/0 در برابر 888‎/0) و به همین علت می توان نتیجه گرفت که شبکه عصبی رگرسیون عمومی با توجه به پیچیدگی های خواص مخازن نفتی، نسبت به روش رگرسیون خطی چندمتغیره، سرعت و دقت بهتری در برآورد نفوذپذیری سنگ مخزن دارد.