تخمین تراوایی با استفاده از شبکه عصبی در یکی از میادین نفتی ایران

دسته	زمین شناسی نفت
گروه	سازمان زمین شناسی و اکتشافات معدنی کشور
مکان برگزاری	بیست و ششمین گردهمایی علوم زمین
تاريخ برگزاری	۱۴ اسفند ۱۳۸۶

چکیده :

تراوایی یکی از مهمترین خصوصیات سازندهای حاوی هیدروکربن و در ضمن از مشکلترین خواص سنگ برای پیش بینی می‌باشد. در مهندسی نفت ارزیابی دقیق تراوایی امری ضروری است، چراکه موفقیت هر برنامه مدیریت مخزن، تکمیل چاه، تولید و همچنین طراحی تکنیک های مختلف ازدیاد برداشت، بسیار وابسته به دقت سنجش و ارزیابی آن می باشد. تراوایی سازند معمولاً در آزمایشگاه از طریق مغزه و یا از طریق اطلاعات چاه آزمایی بدست می آید. اما بدلیل اینکه این روشها پرهزینه و زمان‌بر هستند، درتعداد محدودی از چاهها استفاده می شوند. بنابراین برای تعیین تراوایی از داده های پتروفیزیکی و لاگ‌های مختلف استفاده می کنند. در این راستا، روش رایج، استفاده از نمودار لگاریتم تراوایی در مقابل تخلخل برای چندین چاه و مقایسه بین این متغییرها برای محاسبه تراوایی سازند است. بدین ترتیب تراوایی چاههای فاقد مغزه از طریق محاسباتی بدست می‌آید. در این روش فرض بر این است که تراوایی فقط تابعی از تخلخل است. درحالی که تحقیقات نشان می دهد که تراوایی نه تنها فقط تابعی ازتخلخل نیست، بلکه تابع درجه اشباع کاهش ناپذیر آب، چگالی و نوع سنگ هم هست. به همین دلیل ارزیابی تراوایی مخزن، بدون سنجش مغزه یکی از مشکلات اساسی در مهندسی مخزن است. شبکه عصبی تکنیک جدیدی است که با الهام از ساختار سیستم عصبی مغز انسان، ظرفیت زیادی برای حل و پی بردن به ارتباطات بسیار پیچیده بین متغییرهای مختلف را دارا می‌باشد و در زمینه محاسبه تراوایی کاربری زیادی نشان داده است.]۴&۳&۲&۱ [

ایمان ویسی، کارشناسی ارشد مهندسی اکتشاف نفت از دانشگاه تهران

فریدون سحابی، دکتری سنگ‌شناسی رسوبی و زمین‌شناسی، عضو هیئت علمی دانشکده علوم دانشگاه تهران

بابک نجار اعرابی، دکتری مهندسی برق، عضو هیئت علمی دانشکده مهندسی برق دانشگاه تهران

مقدمه :

kتراوایی یکی از مهمترین ابزارهای توصیف مخازن هیدروکربنی می‌باشد. می‌توان گفت ارائه راهکارهای مهندسی برای حل مسائل مربوط به مخزن بدون دانستن میزان دقیق تراوایی امکان‌پذیر نمی‌باشد.]5[ تخمین تراوایی می‌تواند از طریق سنجش مغزه و چاه‌آزمایی انجام پذیرد. این روش‌ها اگرچه دقیقند، ولی هرکدام دارای معایبی نیز می‌باشند. در روش آزمایشگاهی با استفاده از ابزارهای مغزه‌گیری، نمونه‌هایی از بخش فعال مخزن به سطح آورده می‌شود و تراوایی آنها در شرایط شبیه‌سازی شده داخل چاه، اندازه‌گیری می‌شود. در این روش مقادیر قابل ‌ملاحظه تراوایی که در مطالعات شبیه‌سازی و توسعه مخزن مورد استفاده قرار می‌گیرد، محاسبه می‌شود. مغزه‌گیری از تعدادی چاه، بدون توجه به اندازه میدان نفتی، برای بدست آوردن معیار کلی از مقدار تراوایی منطقه، امری ضروری و غیرقابل اجتناب است. اما مغزه‌گیری از تمام چاهها در یک میدان بزرگ بسیار پرهزینه است. روش چاه‌آزمایی اگرچه روشی قابل قبول می‌باشد، اما مقادیر میانگین حجمی (شامل اثر پوسته، شکافها، زون‌های با تراوایی بالا و پایین) سازندهای مورد آزمایش را می‌دهد و باید در تعداد زیادی از چاهها تکرار شود تا بتوان روند توزیع تراوایی را در کل میدان بدست آورد. ولی مهمترین اشکال آن هزینه بالای انجام تست و علاوه بر آن از توقف تولید در حین انجام تست می‌باشد و انجام آن را غیراقتصادی می‌کند. بنابراین، یافتن راهی برای گریز از این مشکلات ضروری به نظر می رسد.

استفاده از شبکه‌های عصبی مصنوعی بسیاری از مسایل و مشکلات ذکر شده در مورد هزینه و جامعیت روش را برطرف می‌کندو اخیراً بطور موفق برای محاسبه تراوایی و حل بسیاری از مسائل پیچیده مربوط به مخزن از آن استفاده شده است. در دسترس بودن داده‌های چاه‌نگاری در بیشتر چاه‌های حفر شده و همچنین ارزان بودن این روش سبب شده است که علاقه رو به تزایدی در استفاده از این روش در صنعت نفت بوجود آمده است. ]7[

با توجه به تعریفی که از مسأله ارائه شد، هدف اصلی، طراحی شبکه‌ای با کمک روش‌های مناسب می‌باشد، که بتواند به درستی، تراوایی سازند را با استفاده از داده‌های نمودارهای ژئوفیزیکی (لاگ) و داده‌های مغزه، پیش‌بینی کند و دارای نتایج مطمئن و قابل تعمیم برای کل مخزن می‌باشد.

هدف از این مطالعه که بر روی یکی از میادین نفتی ایران انجام شده است، استفاده از روش نوین شبکه عصبی برای پیش بینی و تخمین تراوایی با استفاده از داده های آنالیز مغزه و لاگ در چاههایی است که از آنها مغزه گیری نشده است که به مراتب از دقت بالاتر نسبت به روشهای تجربی رایج برخوردار است. روش شبکه عصبی با توجه به دقت عمل بیشتر، قابلیت کم کردن هزینه های تولید در صنعت نفت را دارا می باشد. روش کار به این صورت است که در ابتدا تعدادی داده(لاگ و مغزه) به عنوان داده های آموزشی جهت انجام آموزش به شبکه اعمال می شود که خروجی متناظر آنها نیز در اختیار شبکه می باشد. با استفاده از الگوریتم آموزشی اعمال شده به شبکه، ابتدا خروجی متناظر با داده های ورودی محاسبه می شود. خروجی حاصل از شبکه با خروجی مطلوب که متناظر با داده های ورودی است مقایسه می شود و خطای موجود بین خروجی مطلوب و خروجی حاصل از شبکه محاسبه می گردد و سپس به کمک روابط توزیع خطا، خطای حاصل بر روی پارامترهای قابل تغییر شبکه که همان مقادیر وزن و بایاس هستند، توزیع می گردد و مجدداً فرایند محاسبه خروجی شبکه انجام می گیرد. با توزیع خطا در هر مرحله بر روی پارامترهای شبکه، این پارامترها به روزشده و با هر مرحله تکرار فرایند محاسبه خروجی به مقادیر نهایی وزن و بایاس نزدیکتر می شوند. مقادیر نهایی وزن و بایاس زمانی حاصل می شوند که کمترین میزان خطا بین خروجی شبکه و خروجی مطلوب وجود داشته باشد. در این حالت است که بهترین تخمین ممکن توسط شبکه صورت گرفته و شبکه آموزش دیده است. بنابراین پس از آموزش شبکه و اعتبارستجی آن بوسیله تست با اطلاعات موجود، یک شبکه عصبی بر اساس اطلاعات نگار و مغزه بدست می آید که با استفاده از این مدل می توان تنها با داشتن اطلاعات نگار و بدون اطلاعات مغزه، تراوایی سازندها را در چاههای حفرشده دیگر که از آنها مغزه گرفته نشده بطور دقیقی حدس زد.

بحث :

مختصری در رابطه با شبکه‌های عصبی:

شبکه‌های عصبی در اواسط دهه 80 میلادی، درپی پیشرفتهای چشمگیر تکنولوژی، دوباره مطرح شدند. شبکه‌ عصبی بعنوان نسل ششم محاسبه شناخته شد و بطور گسترده در بسیاری از رشته‌های علمی مورد استفاده قرار گرفت. شبکه‌های عصبی مصنوعی،روشهای پردازش اطلاعات بصورت توزیعی، موازی، غیررقومی (آنالوگ) و غیرالگوریتمی هستند که استفاده از آنها روزبه‌روز بیشتر می‌شود. شبکه عصبی یک مدل کامپیوتری است که جنبه‌های ویژه‌ای از پروسه‌های تفکر و بیان انسانی را شبیه‌سازی می‌کند. شبکه عصبی در حقیقت روابط نهفته در ورای داده‌های تجربی و مثال را استخراج می‌کند و بصورت یک قانون در می‌آورد و قادر به شناسایی روایط بسیار پیچیده بین چندین متغییر است که به شبکه معرفی می‌شوند و می‌تواند ورودی را به خروجی بدون در نظر گرفتن اینکه این رابطه تا چه اندازه پیچیده است، مربوط کند.]1[

مشخصات میدان مورد مطالعه:

میدان مورد مطالعه، در مناطق نفتخیز جنوب‌غرب ایران و در مسیر راه آهن اهواز به بندر امام خمینی (ره) واقع شده است. روند ساختاری این میدان ساختار‌ کلی میادین آب‌تیمور، اهواز، مارون و سوسنگرد (شمال غرب- جنوب شرق) تبعیت می‌کند. این میدان دارای سه مخزن آسماری، بنگستان و خامی است که دارای مقادیر قابل توجهی نفت در مخازن آسماری و بنگستان می باشد. در این مطالعه مخزن بنگستان مورد بررسی قرار گرفته که مخزنی کربناته است و به چندین بخش و زیربخش تقسیم شده است. ابعاد این میدان روی افق ایلام حدود 34 کیلومتر طول و 5 کیلومتر عرض بوده و روی افق سروک نیز طول و عرض آن بترتیب حدود 50 کیلومتر و 6 کیلومتر می‌باشد. مقادیر پایین تخلخل و تراوایی بیانگر این هستند که مخزن مورد نظر، مخزنی متراکم و کم‌تراوا می‌باشد.

اطلاعات موجود:

تقریباً همه چاه‌های مخزن دارای لاگ‌های لازم و داده‌های پتروفیزیکی هستند و داده‌های مغزه (تخلخل و تراوایی) از 5 چاه موجود است.

پارامترهای مورد استفاده برای تخمین تراوایی مدت زمان طی‌شده صوت در سازند (DT) ،چگالی (RHOB)، رسانایی (CT)،پرتوزایی گاما(SGR)، تخلخل نوترون (NPHI)، تخلخل کلی(PHIT) ، اشباع آب (SW)، عمق (DEPTH)، جهت(COORX)X و جهتY(COORY) می‌باشند. داده‌های آنالیز مغزه از همان 5 چاه نیز در دسترس می‌باشد که از آنها برای آموزش شبکه استفاده شده است. مغزه‌گیری در چاه‌های مذکور بطور پیوسته نبوده ولی نمونه برداری از مغزه‌های موجود در فواصل 1 فوتی انجام شده است. مجموع کل داده‌های مغزه که شامل تخلخل و تراوایی اندازه‌گیری شده در آزمایشگاه هستند، 2039 داده است که پس از بررسی دقیق داده‌ها و حذف تعدادی از این داده‌ها بدلایل مختلف، در نهایت از 1040 داده تراوایی مغزه برای پردازش شبکه استفاده شد. مغزه‌گیری عملیاتی است که در جریان حفاری چاه، انجام می‌شود و عمق‌های مغزه‌گیری شده که گزارش می‌شود‌، از اعماق ثبت شده توسط لاگ متفاوت است. در عملیات مغزه‌گیری مبنای عمق گزارش شده برای مغزه‌های استخراج شده، سطح میز دوار دکل حفاری می‌باشد و اندازه‌گیری عمق بر اساس طول رشته حفاری و تعداد رشته‌های رانده شده به درون چاه می‌باشد. درحالی‌که مبنای عمق گزارش‌شده برای داده‌های لاگ سطح آب دریا می‌باشد و اندازه‌گیری عمق هم بر اساس طول سیم رانده شده به درون چاه می‌باشد. همین امر سبب می‌شود به دلیل تفاوت در روش اندازه‌گیری، انبساط و انقباض سیم در اعماق مختلف در عملیات چاه‌نگاری و نیز پیوسته نبودن عملیات مغزه‌گیری، عمق گزارش شده در عملیات چاه‌نگاری با عمق گزارش شده در عملیات مغزه‌گیری تا حدی با یکدیگر تفاوت پیدا کنند. بنابراین هنگام استفاده از داده‌های چاه‌نگاری و مقایسه آنها با داده‌های مغزه، تطبیق عمق فرآیندی ضروری و غیرقابل اجتناب است. به دلایل یاد شده در بالا، تطبیق عمق، با مقایسه تخلخل اندازه‌گیری شده از مغزه در آزمایشگاه و تخلخل محاسبه شده از داده‌های چاه‌نگاری انجام می‌پذیرد. برای این منظور ابتدا باید نمودارهای لاگ عددی شوند. فرآیند عددی ساختن نمودار به ‌گونه‌ای صورت پذیرفته که تعداد داده‌های حاصل، از تعداد داده‌های تخلخل سنجش مغزه بیشتر شود (داده‌های لاگ در رزولوشن 8 داده در متر که حدود 3 برابر رزولوشن داده های مغزه است، عددی شدند). بنابراین تعداد زیادی داده لاگ برای انتخاب بهترین آنها برای تطبیق با داده‌های مغزه در اختیارند. این کار قدرت عمل و تصمیم‌گیری را در عملیات تطبیق عمق بیشتر می‌کند. برای تطبیق عمق، داده‌های تخلخل مغزه ثابت نگه داشته می‌شوند و عمق داده‌های تخلخل لاگ تغییر می‌کند. در جدول 1 تعدادی از عمقهای مربوط به مغزه و عمق معادل آن در لاگ، در یکی از چاههای مورد مطالعه آورده شده است. همچنین جدول 2 مقادیر ضریب همبستگی را برای همه پارامترها نسبت به لگاریتم تراوایی نشان می‌دهد.

آماده‌سازی داده‌ها برای مدل‌سازی بوسیله شبکه‌های عصبی:

اولین و مهمترین گام در آماده‌سازی داده‌ها برای مدل‌سازی بوسیله شبکه‌های عصبی، تعیین مجموعه داده‌های آموزش، آزمون و اعتبارسنجی است. مجموعه داده‌های آزمون که توانایی تعمیم مدل را آزمایش می‌کند، باید بیانگر همه مجموعه داده‌ها باشد. در بسیاری از موارد تعداد داده‌های کمی برای داده‌های آزمون باقی می‌ماند. بنابراین انتخاب بهترین داده‌هایی که بیانگر همه داده‌های مخزن است، خیلی مهم و خیلی مشکل است. در این مطالعه روشearly stopping در آموزش شبکه عصبی بکار رفته است. بنابراین تعیین ارزش و اعتبار داده‌های اعتبارسنجی مناسب نیز خیلی مهم است. براساس تعداد داده‌های موجود 30% داده‌ها به داده‌های آزمون و اعتبارسنجی اختصاص داده شده است (15% به داده‌های آزمون و 15% به داده‌های اعتبارسنجی) و 70٪ داده‌ها مربوط به داده های آموزش می‌باشد. هر کدام از مجموعه داده‌های آموزش ، آزمون و اعتبارسنجی باید شامل همه چاه‌ها (5 چاه) و همه بخش‌ها و زیربخش‌ها باشند. همچنین این سه مجموعه داده، شامل همه بازه‌های تراوایی باشند.

طراحی ساختار شبکه عصبی:

مدلهای متفاوتی از شبکه عصبی در دسترس است که هر کدام برای هدفی خاص بکار می‌روند. ما برای رسیدن به هدف خود از شبکه‌های عصبی پیشخور پس‌انتشار خطا استفاده می‌کنیم که یادگیری این نوع شبکه از نوع یادگیری با ناظر است. شبکه‌های عصبی پیشخور پس‌انتشار خطا در کاربردهای تقریب توابع، شناخته شده هستند. یکی از مسائل مهم در رابطه با این نوع شبکه‌ها این است که شبکه باید به گونه‌ای آموزش ببیند که تابع عملکرد شبکه‌ (میانگین مربعات خطا)، مطمئنأ به خطای کمینه کلی رسیده باشد. همچنین مدل نباید داده‌ها را حفظ کرده باشد. مسأله مهم دیگر پیدا کردن تعداد بهینه نرون‌ها و لایه‌های پنهان و انتخاب تابع محرک مناسب می‌باشد.

به ‌عنوان یک اصل کلی در تمام مسائل مدلسازی که شبکه‌های عصبی را هم به عنوان یک سیستم مدلساز در بر می‌گیرد، سعی بر این است تا ساده‌ترین مدل (شبکه‌ عصبی) که به‌قدر کفایت داده‌های یادگیری را نمایندگی می‌کند، مورد استفاده قرار گیرد. به عبارتی روشنتر، زمانی‌که یک شبکه ساده‌تر موجود می‌باشد، هیچ‌وقت از یک شبکه عصبی بزرگتر استفاده نمی‌شود. بنابراین تراوایی با 1، 2 و 3 لایه مخفی (با تعداد نرون‌های برابر) پیش‌بینی شد. نتایج نشان می‌دهد که شبکه با یک لایه مخفی نمی‌تواند تراوایی را بطور مناسب پیش‌بینی کند و خطای مجموعه داده‌‌های آموزش، آزمون و اعتبارسنجی نسبتاً بالاست. مدل کردن با شبکه‌ای با 3 لایه مخفی نشان می‌دهد که خطای محاسبه داده‌های آموزش پایین است، اما تابع عملکرد داده‌های آزمون نوسان می‌کند و نمی‌تواند به آسانی کنترل شود.هر شبکه (شبکه‌های دارای 1، 2 و 3 لایه مخفی) با ساختار‌های مختلف و صدها وزن اولیه امتحان شدند. در نهایت شبکه‌ای با 2 لایه مخفی که بهترین عملکرد را در تخمین تراوایی مجموعه داده‌هایآموزش، آزمون و اعتبارسنجی داشت انتخاب شد. بنابراین شبکه نهایی انتخاب شده 2 لایه مخفی و یک لایه خروجی دارد.

یکی از مهمترین مشکلات در ساختن یک مدل، پیدا کردن تعداد بهینه نرون‌ها می‌باشد. تعداد نرون‌ها نسبت به تعداد لایه‌ها، تأثیر بیشتری روی مدل دارد. در تعیین تعداد بهینه نرون‌ها، هم تعداد نرون‌ها در هر لایه و همچنین تعداد کل نرون‌ها روی عملکرد مدل اثر می‌گذارد. شبکه‌های 2 لایه‌ای مختلف (2 لایه پنهان) با تعداد نرون‌های مختلف تست شد. اینجا فقط نتایج مدل‌های با ساختار شبکه 1×15×20 و 1×10×13 و 1×6×9 مورد بررسی قرار می‌گیرد. در این ساختار عدد اول از سمت چپ تعداد نرونها در لایه مخفی اول، عدد دوم تعداد نرون‌ها در لایه مخفی دوم و عدد سوم تعداد نرون‌ها در لایه خروجی است، که بدلیل اینکه شبکه دارای یک خروجی (تراوایی) می‌باشد، بنابراین لایه خروجی دارای یک نرون است. تعداد پارامترهای ورودی نیز 10 پارامتر می‌باشد که شامل عمق، رسانایی، لاگ صوتی، نوترون، چگالی، تخلخل کلی، پرتوزایی گاما، اشباع آب و مختصات (جهتو جهت) می‌باشند.

مقادیر ضریب همبستگی (R) برای تراوایی تخمین زده شده نسبت به تراوایی مغزه در مجموعه‌ داده‌هایآموزش، آزمون و اعتبارسنجی، برای سه شبکه در جدول 3 بیان شده است. همانگونه مقادیر موجود در این جدول نشان می‌دهند، اگر تعداد نرون‌های لایه مخفی از کاهش یابد، خطای محاسبه مجموعه داده‌‌های آموزشی مقدار کمی افزایش می‌یابد و خطاهای داده‌های آزمون و اعتبارسنجی نسبتاً بهتر می‌شود. بنابراین بعد از تست کردن تعداد زیادی شبکه، در نهایت شبکه 1×6×9 به عنوان شبکه بهینه انتخاب شد و کار با این شبکه ادامه پیدا کرد.

جدول2- مقادیر ضریب همبستگی هر پارامتر نسبت به لگاریتم تراوایی

Parameter	Correlation coefficient
DT	0.475
PHIT	0.464
NPHI	0.461
RHOB	-0.444
SW	-0.381
CT	0.160
SGR	-0.157
DEPTH	0.123
COORX	-0.0638
COORY	0.0564

جدول3- مقادیر ضریب همبستگی سه شبکه مختلف برای داده‌های آموزش، آزمون و اعتبارسنجی

Validation	Test	Train
0.582	0.589	0.706	1 15 20
0.629	0.606	0.677	1 10 13
0.632	0.636	0.668	1 6 9

تابع محرک نقش مهمی در پیش‌بینی دارد. برای یک شبکه عصبی پس انتشار خطا، تابع محرکی که برای نرون‌ها در لایه‌های میانی و خروجی بکار می‌رود، حتماً باید پیوسته و مشتق‌پذیر باشد.برای اهداف تقریب توابع، معمولاً دو نوع از توابع زیگموئید در لایه‌های میانی بکار می‌روند: هایپربولیک تانژانت‌ زیگموئید و لاگ ‌زیگموئید .تابع محرک هایپربولیک تانژانت زیگموئید بدلیل انعطاف‌پذیری بالا و بازه خروجی ‌بین 1- و 1 کاربرد بیشتری نسبت به تابع دیگر دارد. یک مقایسه بین توابع هایپربولیک تانژانت‌ زیگموئید و لاگ‌زیگموئید، با استفاده از مجموعه‌های یکسان داده‌های آموزش و آزمون و پارامترهای ورودی مشابه برای پیش‌بینی تراوایی انجام شد. نتایج نشان می‌دهند که تفاوتی بسیار جزئی بین نتایج وجود دارد. بنابراین تابع هایپربولیک تانژانت زیگموئید در لایه‌های میانی و تابع خطی در لایه خروجی برای پیش‌بینی تراوایی بکار رفت. در نتیجه شبکه بهینه، شبکه‌ای با 2 لایه مخفی و یک لایه خروجی، با 9 نرون در لایه مخفی اول، 6 نرون در لایه مخفی دوم و یک نرون در لایه خروجی است. همچنین تعداد پارامترهای ورودی، 10 پارامتر می‌باشد.الگوریتم آموزشی لونبرگ- ماکوارت برای آموزش شبکه استفاده شد. مقدار مومنتم برابر با 9/0، کاهش مومنتم برابر با 85/0 و افزایش مومنتم برابر با 1/1 قرار گرفت.شبکه عصبی بکاررفته در پیش‌بینی تراوایی در شکل 1 نشان داده ‌شده است.

پیش‌بینی تراوایی با 10 پارامتر ورودی:

واضح است که یک مدل با تمام پارامترهای توضیح داده شده در بالا، برای تجزیه و تحلیل بسیار پیچیده است. همچنین پارامترهای غیر مفید، نه تنها مدل را بهبود نمی‌بخشند، بلکه ممکن است منجر به ایجاد مدلی پیچیده شود که توانایی کمی برای پیش‌بینی داشته باشد. بنابراین بدون پایین آوردن دقت مدل، فقط باید پارامترهایی که بیشترین تأثیر را در مدل دارند، انتخاب کرد و در مدل بکار برد. در این قسمت، تأثیر پارامترهای ورودی بر روی شبکه سه لایه‌ 1×6×9 بررسی می‌شود. هدف از این بخش، حذف پارامترهای ورودی است که تأثیر چندانی در شبکه ندارند و فقط باعث پیچیده شدن شبکه و تخمین تراوایی می‌‌شوند. برای این کار، مجموعه‌های مختلف پارامتر ورودی بکار می‌رود و تراوایی با شبکه ذکر شده در بالا تخمین زده می‌‌شود. پارامترهای ورودی ابتدایی شامل عمق، رسانایی، لاگ صوتی، نوترون، چگالی، تخلخل کلی، پرتوزایی گاما، اشباع آب و مختصات (جهتو جهت) هستند. در جدول 4 تعدادی از مقادیر ضریب همبستگی (R) برای بهترین نتایج پیش‌بینی با شبکه انتخابی 1×6×9 نشان داده شده است.

پیش‌بینی تراوایی با 5 پارامتر ورودی:

در پیش‌بینی تراوایی با 5 پارامتر، پارامترهای جهت، جهت، عمق، پرتوزایی گاما و رسانایی حذف شدند. این 5 پارامتر کمترین ضریب همبستگی را با تراوایی داشته اند. بهترین نتایج پیش‌بینی تراوایی بوسیله این داده‌ها در جدول 5 آمده است.

تقسیم‌بندی داده‌ها بر اساس ناحیه بندی مخزن:

همانگونه که در قسمتهای قبل بیان شد، برای تمام های داده های موجود در کل مخزن از یک شبکه استفاده کردیم. نتایج بدست آمده مؤید این نکته است که بنظر می‌رسد تمام داده‌های موجود در کل مخزن از روند و قانون یکسانی تبعیت نمی‌کنند. بنابراین تصمیم گرفته شد که داده‌ها به چندین بخش تقسیم شوند و برای هر بخش شبکه‌ای جداگانه ایجاد شود و تراوایی در هر بخش بر اساس شبکه‌ای جداگانه تخمین زده شود.در این روش اساس دسته‌بندی داده‌ها، مرزهای ناحیه‌بندی مخزن می‌باشد. ناحیه‌بندی مخزن مورد مطالعه، توسط شرکت نفتی BP صورت پذیرفته که اساس آن اصولاً ویژگی‌های سنگ‌شناسی مخزن قرار داده شده است. بر اساس گزارش میدان، مهمترین عامل ناحیه‌بندی مخزن، میزان تخلخل سنگ و وجود شیل بوده که در عملیات ناحیه‌بندی سعی بر آن شده تا مرزها بر تغییرات شدید لیتولوژیکی منطبق گردند. در این مرحله ابتدا داده‌ها بر اساس تعلق به هر یک از نواحی مخزن، در دسته‌ای جداگانه قرار داده شده‌اند. سپس برای هر یک از گروه‌ها، شبکه‌ای جداگانه طراحی و آموزش داده شد.در نهایت شبکه‌های A, B, C, D, E, F, G, H, I, J, K برای نواحی موجود ایجاد شدند. لازم به ذکر است به علت پایین بودن تعداد داده‌ در نواحی 8 و9 ، برای این دو ناحیه به طور مشترک شبکه K، آموزش داده شد. بهبود نتایج در جدول6 نشان داده‌ شده است.

شکل 2 مقادیر شده در آزمایشگاه در زیربخش 2-1 نشان می‌دهد.

جدول4- مقادیر ضریب همبستگی مربوط به بهترین نتایج تخمین تراوایی بوسیله شبکه انتخابی 1×6×9 با 10 پارامتر ورودی

Validation	Test	Train
0.631	0.636	0.668
0.620	0.632	0.671
0.615

کلید واژه ها: میادیننفتیایران هیدروکربن لاگ ژئوفیزیک مخزنآسماری شبکهعصبی زمین شناسی نفت سایر موارد