استفاده از شبکه های عصبی مصنوعی در تخمین نمودارهای پتروفیزیکی

دسته ژئوفیزیک
گروه سازمان زمین شناسی و اکتشافات معدنی کشور
مکان برگزاری بیست و ششمین گردهمایی علوم زمین
نویسنده علبمحمد باقری ، حسام الوکی بختیاری
تاريخ برگزاری ۰۱ آبان ۱۳۸۴

Abstract
Understanding of lithological and petrophysical parameters by using of well log data is related to existence of petrophysical logs. Since several times new well logs aren’t exist and also old logs are damaged, petrophysical evaluation of the wells is impossible. To solving the challenge, it’s necessary to estimate the logs.
Neural Networks are based on human brain and since ۱۹۹۱ have been applied in geology and geophysics. Data processing based on primary training is the main algorithm for the Neural Networks.
In this study, EMERGE program in Hampson-Russell software which works based on Neural Networks  was run to estimate a Density log in some wells . Initially The Network was trained by the wells, which had complete set of logs. Then Density log has been estimated by generalization and operation of the Network on the old wells that missed Density log.
 

چکیده
شناخت پارامترهای پتروفیزیکی و سنگ شناسی با استفاده از داده های چاه پیمایی مستلزم در دسترس بودن انواع نمودارهای پتروفیزیکی میباشد. در پاره ای موارد به دلیل آسیب دیدگی نمودارهای قدیمی و یا عدم وجود نمودارهای جدید در چاههای قدیمی،امکان ارزیابی پتروفیزیکی یک چاه نفت میسر نیست . جهت فائق آمدن بر این مسئله بایستی نمودار مورد نظر به نحوی تخمین زده شود.
شبکه های عصبی که با الهام از مغز انسان پایه ریزی شده اند از سال 1991 در کارهای زمین شناسی و ژئوفیزیک مورد استفاده قرار گرفته اند. اساس عملکرد این شبکه ها بصورت  پردازش اطلاعات برمبنای آموزش قبلی میباشد.
در این تحقیق به کمک نرم افزار EMERGE از مجموعه HAMPSON RUSSELL که بر مبنای شبکه های عصبی بنا شده است و با استفاده از داده های پتروفیزیکی چاههایی که دارای مجموعه کامل نمودارهای چاه پیمایی بوده اند، شبکه عصبی آموزش داده شده است. سپس با تعمیم و اجرای شبکه بر روی چاههای قدیمی که فاقد نمودار دانسیته (Density Log) بوده اند، این نمودار برای آنها تخمین زده شده است.
با تخمین نمودار دانسیته و تلفیق آن با سایر نمودارهای پتروفیزیکی مجموعه نمودارهای مورد نیاز جهت ارزیابی پتروفیزیکی چاه در دسترس خواهد بود.
مقدمه
 
در ارزیابیهای پتروفیزیکی هنگامی که انواع نمودارهای موجود برای  یک چاه به اندازه کافی نباشند، نمی توان یک تفسیر دقیق و واقعی از سنگ شناسی واشباع  سیالات درون چاه ارائه نمود. این مسئله بخصوص در پردازش و تفسیر مجدد نمودارهای قدیمی حائز اهمیت میباشد. بسیاری از نمودارهای مذکور سالها پیش بر روی نوارهای مغناطیسی ذخیره شده اند و به مرور زمان دچار آسیب دیدگی شده و خواندن اطلاعات از روی آنها امکان پذیر نیست. از طرفی با پیشرفت تکنولوژی چاه پیمایی روشهای جدیدی ارائه شده است که نمودار های با ارزشی جهت تخمین پارامتر های پتروفیزیکی در اختیار ما قرار میدهد. از جمله نمودار هایی که در سالهای اخیر توسعه داده شده است نمودارFDC یا دانسیته سازند میباشد که با الحاق تجهیزات اندازه گیری میزان جذب فتو الکتریک (PEF) یا (Photo Electric  Absorbtion)  به نمودار LDT یا (Litho Density Tolls) تغییر نام داده است که علاوه بر اندازه گیری دانسیته سازند،  سنگ شناسی آن را  نیز با استفاده ازنمودار PEF مشخص میکند.
در چاه های قدیمیتر حتی نمودارFDC هم در دسترس نبوده و فقط دارای نموادار های BHC(Borhole Componsated Sonic) و GNT (Gama-Ray Neutron) میباشند که با استفاده از این دو نمودار تعیین سنگ شناسی و حجم کانیهای موجود عملا غیر ممکن میباشد. از این رو تخمین یک نمودار دیگر (Density) بصورت مصنوعی اجتناب ناپذیر میباشد. هرچند نمودار تخمین زده شده نمیتواند به دقت یک نمودار واقعی برگرفته از چاه باشد.
روش تخمین
تخمین نمودارهای پتروفیزیکی به طور معمول شامل دو مرحله میباشد.
مرحله اول عبارت است از  پیدا کردن یک رابطه بین نمودار مورد نظر و سایر نمودارها در چاههای مجاور در صورتی که از لحاظ سنگ شناسی همبستگی قابل قبولی با چاه مورد نظر داشته باشند. مرحله دوم شامل کاربرد رابطه بدست آمده از مرحله قبل در چاه هدف جهت تخمین نمودار مجهول از نمودارهای معلوم میباشد.
روشهای متعددی برای این منظور بکار برده میشود که میتوان به روشهای رگرسیون یک یا چند متغیره، شبکه های عصبی، منطق فازی و الگوریتم ژنتیک اشاره نمود.
شبکه های عصبی
شبکه های عصبی با الهام از مغز انسان پایه ریزی شده اند. این شبکه ها در واقع سیستمی پویا و غیر خطی هستند که از تعداد زیادی واحد پردازش و اتصالات بین این واحدها تشکیل شده اند.
بر خلاف سیستمهای خبره که دانش مورد نیاز قبلا بصورت روابط و قواعد مشخص در ساختمان آنها وارد میشود، شبکه های عصبی قوانین مورد نیاز خود را از طریق یادگیری به کمک مثالهای آموزشی پیدا میکنند. این توانایی که  اصطلاحا به آن آموزش (Training) گفته میشود، ویژگی متمایز کننده شبکه های عصبی از سایر روشهای حل مسئله میباشد.
ساختار شبکه های عصبی به صورت لایه ای میباشد و از یک لایه ورودی ، یک لایه خروجی و یک یا چند لایه میانی تشکیل شده اند. هر لایه شامل تعدادی گره (Node) یا نرون(Nerun)میباشد که گره ها بوسیله شبکه و با وزن های متفاوت به هم مربوط شده اند(شکل 1). بر اساس نحوه اتصال گره ها به یکدیگر شبکه های عصبی به دو گروه تقسیم میشوند:
-شبکه های با تغذیه پیشرو(Feedforward Networks)
-شبکه های با تغذیه برگشتی (Feedback Networks)
برای حل هر مسئله شبکه های عصبی سه مرحله آموزش (Training)، تعمیم (Generalization) و اجرا (Operation) را طی میکنند.آموزش فرآیندی است که طی آن شبکه می آموزد تا الگوی موجود در ورودی ها را که بصورت مجموعه داده های آموزشی است، بشناسد.این فرآیند شامل پیدا کردن بهترین وزنها بین گره ها میباشد. سپس در مراحل تعمیم و اجرا با استفاده از الگوی بدست آمده فرایند های مجهول مدل سازی میشوند.
 کاربرد شبکه های عصبی در تخمین نمودار های پتروفیزیکی
در سالهای اخیر شبکه های عصبی مصنوعی به عنوان یک راه حل در حل مسائل زمین شناسی، ژئوفیزیک و مهندسی نفت بکار گرفته شده اند. این شبکه ها قادرند داده های مورد نیاز مهندسی نفت و زمین شناسی را در جاهایی که با کمبود داده های ضروری مواجه هستند، تولید کنند. شبکه های عصبی نیازمند هیچگونه مدل پیچیده ریاضی و فرض خطی بودن متغیرها نمی باشند. مسئله مهم در این روش انتخاب صحیح الگوهای یادگیری و پارامترهای ورودی و مدت زمان لازم برای آموزش و آزمایش شبکه است. هرچه تعداد پارامترهای ورودی افزایش یابند شبکه بزرگتری برای آموزش نیاز است و تعداد نرونهای لایه میانی افزایش خواهد یافت.
در این مطالعه نرم افزار EMERGE از مجموعه HAMPSON RUSSELL مورد استفاده قرار گرفته است. این نرم افزار توانایی بررسی توابع مختلف بین نمودار هدف (دانسیته) و نمودارهای مورد استفاده جهت تخمین را دارا میباشد. این مسئله از لحاظ انتخاب داده های ورودی شبکه دارای اهمیت میباشد. نرم افزار EMERGE با بکارگیری یک روش آنالیز خطی یک یا چند متغیره، توابع مختلف بین نمودار هدف و نمودارهای ورودی را بررسی کرده و ضرائب همبستگی را محاسبه میکند.
نمودار های موجود در چاههای مورد مطالعه شامل نمودارهای دانسیته   Density (FDC) ،نمودار صوتی (Sonic)،  نوترون(CNL) ، گامای طبیعی (GR) ، مقاومت مخصوص (Resistivity logs) و کلیپر(Caliper) بوده است. بیشترین ضریب همبستگی بین نمودار دانسیته و نمودارهای ورودی به ترتیب برای نمودارهای صوتی، نوترون و اشعه گاما و معادل 64/0 ، 42/0 و 27/0 محاسبه گردید. از اینرو نمودار های مذکور به عنوان داده های ورودی جهت آموزش شبکه بکار گرفته شدند.
پس از آموزش و آزمایش شبکه برای چاههایی که دارای نمودار دانسیته واقعی بودند، نمودار دانسیته مصنوعی برای تمامی چاهها نولید شد. شکل 2  بهترین خط برازش شده و ضریب همبستگی بین دانسیته واقعی و دانسیته تولید شده بوسیله شبکه را برای 4 چاه ورودی و شکل 3 مقایسه بین منحنی های دانسیته واقعی و دانسیته شبکه را برای یکی از چاههای مذکور در مرحله آزمون نشان میدهند. در شکل 4 نمودار دانسیته مصنوعی برای یک چاه که فاقد این نمودار بوده و در مرحله تعمیم تولید شده است(سمت چپ تصویر) همراه با برازش نمودار های واقعی( سیاه رنگ) و مصنوعی( قرمز رنگ) در سایر چاهها، ارائه شده است.
همانگونه که در شکلهای 2 تا 4 مشاهده میشود، شبکه های عصبی یک ابزار قابل اعتماد برای تخمین نمودار دانسیته در چاههایی است که فاقد این نمودار میباشند و در تخمین دانسیته بسیار خوب عمکرده است.

کلید واژه ها: پتروفیزیک چاهپیمایی شبکهعصبی ضریبهمبستگی مدلسازی ژئوفیزیک سایر موارد