تخمین تخلخل یک مخزن هیدروکربوری با استفاده از سیستم‌های چند شبکه‌ای

نوع مقاله: مقاله پژوهشی

نویسندگان

سازمان زمین‌شناسی و اکتشافات معدنی کشور

چکیده

در این مقاله سیستم‌های چندشبکه‌ای به منظور کاهش خطا و افزایش دقت نتایج حاصل از روش شبکه عصبی مصنوعی پیشنهاد شده است. در این سیستم‌ها نتایج
چندین شبکه که به طور منفرد و مجزا آموزش دیده‌اند، به روشی مناسب با هم ترکیب می‌شود. در این مطالعه تخلخل مؤثر یکی از مخازن هیدروکربوری میدان عظیم پارس جنوبی با استفاده از سیستم‌های چندشبکه‌ای برآورد شده است. از شبکه‌های عصبی مصنوعی پس انتشار خطا که به روش اعتبارسنجی همزمان آموزش دیده‌اند، به عنوان اجزای سیستم‌های چندشبکه‌ای استفاده شد. داده نگارهای چاه از 4 چاه این میدان در بازه عمقی سازند کنگان مورد استفاده قرار گرفت. نگارهای صوتی، چگالی، اشعه گاما و تخلخل نوترونی به عنوان ورودی شبکه‌ها و تخلخل مؤثر به عنوان خروجی شبکه‌ها انتخاب گردید. روش ترکیب آنسامبلی شبکه‌ها که دارای ساختاری موازی است، برای تشکیل سیستم‌های چند شبکه‌ای مورد استفاده قرار گرفت. نتایج نشان می‌دهد که ترکیب‌های آنسامبلی مناسب می‌تواند خروجی شبکه‌های عصبی مصنوعی منفرد آموزش دیده به روش اعتبارسنجی همزمان را بهبود بخشد. بهترین ترکیب آنسامبلی حاصل در این تحقیق، ترکیبی سه‌ شبکه‌ای است که میانگین مربعات خطای تخمین تخلخل الگوهای آموزش و آزمون را نسبت به بهترین شبکه عصبی مصنوعی منفرد به‌ترتیب 7/41 % و 5/21 %
کاهش داده است.

کلیدواژه‌ها


عنوان مقاله [English]

A Porosity Estimation in a Hydrocarbon Reservoir Using Multiple Networks Systems

نویسندگان [English]

  • Mahmoud Zakeri
  • Abolghasem Kamkar Rouhani
. Expert of Geophysics, Geological Survey of Iran (GSI)
چکیده [English]

Multiple networks systems have been proposed for the purpose of decreasing the error and increasing the accuracy of the results of artificial neural network (ANN) method. In these systems, the results of several single ANN’s, which are trained solely and separately, are combined using a suitable method. In this work, the effective porosity in one of hydrocarbon reservoirs of giant Southern Pars field is estimated using multiple networks systems. Single ANN’s trained using early stopping back propagation (BP) method are used as the components of multiple networks systems. Well logging data acquired from 4 wells in the field at the depth interval corresponding to Kangan formation are used. Acoustic, density, gamma ray, and neutron porosity well log data are considered as the inputs of the networks and the effective porosity data are assigned as the output of the networks. The ensemble combination of networks, which have a parallel structure, are applied for making multiple networks systems. The results show that suitable ensemble combinations improve the results of the ANN’s trained using early stopping BP method. The best obtained ensemble combination is a three-network combination compared to the best obtained single ANN, which reduces the mean of squares of errors (MSE) of porosity prediction in the training and test steps by 14.7% and 12.5% respectively.

کلیدواژه‌ها [English]

  • Artificial Neural Network (ANN)
  • Multiple Networks Systems
  • Ensemble Combination
  • Genetic Algorithm (GA)
  • Porosity
  • Log
[1]. حسنی پاک ع.ا.، شرف‌الدین م.، تحلیل داده‌های اکتشافی، انتشارات دانشگاه تهران، 0831.

[2]. Bhatt A., Reservoir properties from well logs using neural networks, PhD thesis, Department of Petroleum Engineering and Applied Geophysics, Norwegian University of Science and Technology, Norway, 2002.

[3]. Bhatt A., Helle H. B., “Committee neural networks for porosity and permeability prediction from well logs”, Geophysical Prospecting., Vol. 50, pp. 645-660, 2002.

[4]. Hashem Sh., Optimal linear combinations of neural networks, PhD thesis, School of Industrial Engineering, Purdue University, America, 1993.

[5]. Hashem Sh., Schmeiser B. and Yih Y., Optimal linear combinations of neural networks: an overview, School of Industrial Engineering, Purdue University, America, 1994.

[6]. Sharkey A., Sharkey N., Gerecke U. and Chandroth G. O., “The “test and select” approach to ensemble combination”, in: Kittler J., Roli F. (Eds.), Multiple Classifier Systems, Lecture Notes in Computer Science, Springer-Verlag, Inc., pp. 30-44, 2000.

[7]. Fung Ch. Ch., Wong K. W. and Eren H., “Modular artificial neural network for prediction of petrophysical properties from well log data”, IEEE transaction on instrumentation and measurement, Vol. 46, pp. 1295-1299, 1997.

[8]. Chen Ch. H., Lin Z. Sh., “A committee machine with empirical formulas for permeability prediction”, Computer & Geosciences., Vol. 32, pp. 485-496, 2006.

[9]. Demuth H., Beale M. and Hagan M., Neural network toolboxTM 6 user›s guid, MATLAB Software, www.mathworks.com, 2009.

[10]. The Math WorksTM, Genetic algorithm and direct search toolbox 2 user›s guide, MATLAB Software, www.mathworks.com, 2007.

[11]. افشارحرب ع.، زمین‌شناسی نفت، انتشارات دانشگاه پیام نور، 1381.

[12] رحیمی م.، تعبیر و تفسیر لرزه‌ای ناحیه پارس جنوبی در افق‌های آسماری، جهرم، سروک، داریان، فهلیان، سورمه، کنگان، نار و فراقون، مدیریت اکتشاف شرکت ملی نفت ایران، 1381.

[13] زارعی س.، موحد ب.، باقری ع.م.، مردانی ع.، ارزیابی تراوایی سازند کنگان با استفاده از داده‌های نگار CMR و مغزه در میدان پارس جنوبی، بیست و ششمین گردهمایی علوم زمین‌شناسی، تهران، ایران، 1386.