کاربرد شبکه­ عصبی مصنوعی در تعیین تراوایی و شعاع گلوگاه تخلخل

دسته زمین شناسی نفت
گروه سازمان زمین شناسی و اکتشافات معدنی کشور
مکان برگزاری بیست و ششمین گردهمایی علوم زمین
نویسنده قدم­خیر گراوند
تاريخ برگزاری ۰۱ اسفند ۱۳۸۵

  
◊◊◊◊
 
 
 
مقدمه :
 
"سنگ مخزن" به صورت یک سنگ متخلخل و تراوا تعریف می­شود که توان نگهداری هیدروکربن­ها را دارد. تراوایی یکی ازمهمترین پارامترهای مخزنی است که به عنوان یکی ازبزرگ­ترین مشکلات مهندسین مخزن باقیمانده است. اندازه­گیریهای مستقیم آزمایشگاهی بر روی مغزه­ها و یا تفسیر آزمایش چاه، دو روش برای بدست آوردن تراوایی می­باشند. البته هر دوی این روشها صحیح بوده ولی برای توصیف کامل مخزن کافی نمی­باشند.
یک روش آزمایشگاهی برای تخمین شعاع گلوگاه­های تخلخل، استفاده از روش تزریق جیوه می­باشد (Washburn,۱۹۲۱). زمان­بر بودن، پرهزینه بودن عملیات تزریق جیوه بر روی نمونه­ها، سمی بودن خود جیوه و همچنین نیاز به حضور مغزه باعث توسعه روش­های مختلفی جهت تخمین آنها شده است.
شبکه­های عصبی مصنوعی (Artificial Neural Networks) مدلهای پردازش اطلاعات توزیعی و موازی هستند که قادرند الگوهای خیلی پیچیده واقع در داخل اطلاعات موجود را تشخیص دهند (Balan et al., ۱۹۹۵). عناصر اصلی شبکه عصبی نرونها و نیروهای اتصال آنها (وزنها) می­باشند. در این مطالعه به ارزیابی این روش و مقایسه نتایج حاصل از آن پرداخته شده است.
 
 
 
◊◊◊◊
 
بحث :
 
محاسبه تراوایی و شعاع گلوگاه تخلخل با روش شبکه عصبی مصنوعی
بانک اطلاعاتی شامل ۱۱۶ نقطه اطلاعات تخلخل و تراوایی مغزه و شعاع گلوگاه تخلخل حاصل از آنالیز تزریق جیوه بود که متعلق به شش چاه از سازندهای کربناته میدان پارس جنوبی می­باشد. درابتدا داده­ها پردازش شدند و جهت استفاده در شبکه آماده گردیدند. سپس ۵۰ درصد از مجموعه داده­ها برای مرحله آموزش، ۲۵ درصد از داده­ها برای اعتبارسنجی و ۲۵ درصد باقیمانده برای ارزیابی شبکه بکار گرفته شد.
یک ANN، یک سیستم پردازش اطلاعات است که خصوصیات عملکردی مشابه شبکه عصبی بیولوژیکی دارد. این شبکه­ها براساس فرضیات زیر استوار می­باشند:
۱. پردازش اطلاعات در عناصر بسیار ساده­ای به نام نرون صورت می­گیرد.
۲. سیگنالها ازطریق اتصالات بین نرونها عبور می­کنند.
۳. هر اتصال دارای یک وزن همراه می­باشد که در شبکه­های عصبی تیپیک، در سیگنال انتقالی ضرب      می­شود.
۴. هر نرون جهت تعیین سیگنال خروجی خود یک تابع محرک (معمولاً غیر خطی) را برای ورودی شبکه بکار می­گیرد.
شبکه­های عصبی بر اساس روش­های آموزش به دو دسته تقسیم می­گردند که شبکه عصبی با ناظر و بدون ناظر نام دارند. در یادگیری باناظر ورودی و خروجی مطلوب متناظر با آن به شبکه داده می­شود و تعدیل وزنها بر اساس مقایسه خروجی حاصل از شبکه با مقادیر هدف صورت می­گیرد. در صورتیکه در یادگیری بدون ناظر، یادگیریبر اساسالگوریتم­های خوشه­بندی صورت می­گیرد و فقط ورودیها را به شبکه می­دهند. این یادگیری معروف به یادگیری خود­سازمانده (Self-organization) می­باشد. این نوع شبکه­ها نیاز به اطلاعات ورودی زیادی دارد. بیشتر کاربردهای شبکه عصبی در صنعت نفت و گاز بر اساس الگوریتم­های آموزش با ناظر می­باشد. شبکه عصبی پس­انتشار خطا یکی از متداول­ترین الگوریتم­های آموزش با ناظر است. درطی آموزش یک شبکه عصبی پس­انتشار، خطای بین خروجی شبکه با مقدار مطلوب آن به سمت عقب انتشار می­یابد و بر این اساس وزنها تعدیل می­شوند. این فرایند تا زمانی ادامه می­یابد که خروجی­های شبکه به یک مقدار قابل اطمینانی برسند، این فرایند باعث یادگیری شبکه عصبی می­شود. زمانیکه این فرایند به اتمام رسید، ANN برای شبیه­سازی ورودیهای دیگر آماده است (Hellet et al., ۲۰۰۱).
عناصر اصلی شبکه عصبی نرونها و نیروهای اتصال آنها (وزنها) می باشند (شکل ۱). نرونها در داخل لایه­ها گروه­بندی میشوند وبه طور معمول در یک شبکه چندلایه، یک لایه ورودی،یک یا چند لایه پنهان و یک لایه خروجی وجود دارد (Mohaghegh, ۲۰۰۰). شکل ۲ ساختار یک شبکه عصبی چند لایه را نشان می­دهد.
 
ساختار یک شبکه بیانگر چگونگی ارتباط نرونهای موجود در لایه­های مختلف است. در این مطالعه تخمین تراوایی و شعاع گلوگاه تخلخل با استفاده از یک شبکه پس از انتشار خطا صورت گرفت. در مرحله آماده­سازی ابتدا از داده­ها لگاریتم گرفته شد و سپس بین ۱- و ۱+ نرمالایز شدند. توابع انتقال مورد استفاده در این مطالعه، توابع Tansig (از لایه ورودی به پنهان) و Purelin (از لایه پنهان به خروجی)    می­باشند. تابع آموزش، لونبرگ مارکوآردت (Trainlm) و حداقل حد مطلوب آستانه خطا برابر ۱e-۰۰۵ در نظر گرفته شد. شکل ۳ و ۴ نتایج رفتار شبکه برای تراوایی در اشباع ۷۰ درصد را نشان می­دهند. همانطوریکه ملاحظه می­شود ضریب همبستگی بدست آمده بین خروجی­های مطلوب و خروجی­های پیش­بینی شده شبکه حدود ۷۱/۰ است.
 
 
 
 
نتیجه گیری :
 
·     این تحقیق نشان می­دهد که ساختار شبکه عصبی پس­انتشار قادر است تراوایی و شعاع گلوگاه تخلخل را با استفاده از اندازه­گیریهای آزمایشگاهی مغزه­ها پیش­بینی کند.
·         این روش تخمین قابل قبولی از شعاع گلوگاه تخلخل و تراوایی با استفاده از داده­های حاصل از آنالیز تزریق جیوه ارائه داده است.
·     اگر اطلاعات کافی و قابل نمایش برای آموزش ANN بکار برده شود، می­توان کیفیت مخزنی را در اینتروالهای مغزه­گیری نشده در یک محیط زمین­شناسی یکسان بدست آورد.
 
 
 
◊◊◊◊
 
Refrences :
 
Balan, B., Mohaghegh, S., Ameri, S., ۱۹۹۵, State - of- art in permeability determination from well log data: Part ۱- a comprehensive study, model development, SPE ۳۰۹۷۸.
Blum, A., ۱۹۹۲, Neural network in C++ , An object - oriented framework for building connectionist systems: New York, john Wiely & Sonds.
Fausett, L., ۱۹۹۴: Fundamental of Neural Network, Prentice Hall, ۴۶۱ pp.
Hellet, H. B., Bhatt, A., and Ursin, B., ۲۰۰۱, Porosity and permeability case study: Geophys. Prospect. ۴۹, PP. ۴۳۴ - ۴۴۴.
Mohaghegh, S., ۲۰۰۰, Virtual intelligence and ITs applications in petroleum engineering: JPT Journal of Petroleum Technology.
Washburn, E. W., ۱۹۲۱, Note on a method of determination the distribution pore size in a porous material: Proceedings of the national academy of science, V. ۷, PP. ۱۱۵ - ۱۱۶.
 

قدم­خیر گراوند، دانشجوی کارشناسی ارشد زمین­شناسی نفت، دانشگاه تهران
محمدرضا رضایی، دکتری زمین­شناسی نفت، استرالیا، 1997، دانشیار و عضو هیئت علمی دانشکده زمین­شناسی، دانشگاه     تهران
بهمن بهلولی، دکتری مکانیک سنگ، سوئد، 2001، استادیار و عضو هیئت علمی دانشکده زمین­شناسی، دانشگاه تهران
علی کدخدایی ایلخچی، دانشجوی دکتری زمین­شناسی نفت، دانشگاه تهران
 
◊◊◊◊
 
چکیده:
 
تراوایی مهمترین پارامتر در تعیین نحوه جریان سیالات مخزن می­باشد. شعاع گلوگاه تخلخل پارامتر بسیار مهم دیگری است که نقش بسزایی در تعیین تراوایی، تخلخل، ازدیاد برداشت و توانایی نگهداری ستون هیدروکربنی توسط پوش­سنگ دارد. هدف این مطالعه تعیین تراوایی و شعاع گلوگاه تخلخل در اشباع 70 درصد با استفاده از روش شبکه عصبی مصنوعی می­باشد. بانک اطلاعاتی موجود در این مطالعه شامل 116 نقطه اطلاعات تخلخل، تراوایی و فشار مویینگی حاصل از آنالیز تزریق جیوه بود که مربوط به شش چاه از سازندهای کربناته میدان گازی پارس جنوبی می­باشد. در این مطالعه تخمین تراوایی و شعاع گلوگاه تخلخل با استفاده از یک شبکه پس­انتشار خطا (Error-Back propagation)صورت گرفت. نتایج نشان می­دهد که این روش در تخمین شعاع گلوگاه تخلخل نسبت به تراوایی بهتر عمل نموده است.
 
 
 
 
Abstract:
 
Permeability is one of the most important rock parameters in determining the fluid flow in reservoirs. Another important parameter is the radius of pore throat which plays an important role in determining reservoir parameters including permeability, porosity, enhanced oil recovery and cap rock capability to retention of hydrocarbon column. The main objective of this study is the estimation of permeability and pore throat radius at 70% mercury saturation using Artificial Neural Network (ANN). The numbers of data used in this study were 116 points from six wells of carbonate formations at the South Pars gas-Field. The data included porosity, permeability and capillary pressure.The permeability and pore throat radius were estimated using an Error-Back propagation network. The results show that artificial neural network technique is more successful for estimating pore throat radius than permeability.
 
 

کلید واژه ها: تراوایی تخلخل هیدروکربن شبکه­عصبیمصنوعی زمین شناسی نفت مازندران