این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ژئوفیزیک ایران، جلد ۱۹، شماره ۱، صفحات ۱۴۳-۱۶۴
عنوان فارسی تخمین تخلخل مخازن کربناته با استفاده از مدل شبکه عصبی عمیق ترکیبی بر‌اساس داده‌های چاه
چکیده فارسی مقاله تخمین تخلخل در مخازن کربناته به‌دلیل سیستم حفرات پیچیده و ناهمگنی مشکل و چالش‌برانگیز است. تخلخل بیانگر ظرفیت ذخیره سیال در مخزن است و به‌منظور برآورد میزان ذخایر و ظرفیت تولید حائز اهمیت است؛ لذا تخمین دقیق و صحیح تخلخل سنگ مخزن امری ضروری است. روش‌های متداول برای اندازه‌گیری تخلخل مانند آنالیز مغزه و نمودارهای چاه‌پیمایی اغلب گران و زمان‌بر هستند. روش‌ها و الگوریتم‌های یادگیری عمیق با استخراج الگوهای پیچیده از مجموعه داده‌های بزرگ و تجزیه و تحلیل داده‌های چاه می‌توانند تخمین دقیق‌تری را از تخلخل ارائه نمایند. در این مطالعه، یک رویکرد جدید با استفاده از یک مدل شبکه عصبی عمیق ترکیبی برای تخمین تخلخل بر‌اساس داده‌های چاه ارائه شده است. داده‌ها از یک مخزن کربناته در جنوب‌غربی ایران جمع‌آوری شدند و شامل داده‌های حاصل از آنالیز مغزه و نمودارهای چاه‌پیمایی (نمودار گاما، نوترون، چگالی، صوتی و مقاومت) می‌باشند. تعداد چاه‌ها 2 حلقه و تعداد مغزه‌ها 236 عدد است. مجموعه داده‌ها شامل 2000 نقطه داده‌ای می‌باشد که به سه بخش آموزشی، ارزیابی و اعتبارسنجی با نسبت‌های 70٪، 15٪ و 15٪ در چاه اول تقسیم شدند و برای ارزیابی عملکرد مدل از چاه شماره دو استفاده شده است. رویکرد این مطالعه شامل جمع‌آوری و آماده‌سازی داده‌ها، طراحی معماری شبکه عصبی ترکیبی، آموزش، بهینه‌سازی و ارزیابی مدل است. برای اعتبارسنجی مدل ترکیبی شبکه عصبی عمیق ساخته شده، از داده‌های مغزه استفاده شده است. مقدار ضریب تعیین برای مدل شبکه عصبی عمیق ترکیبی با مقدار 98/0 نشان می‌دهد، این مدل دقت بسیار بالایی در پیش‌بینی تخلخل دارد. مقایسه تخلخل پیش‌بینی شده توسط مدل یادگیری عمیق ترکیبی نشان می‌دهد که عملکرد این مدل دقیق‌تر از مدل پرسپترون چند لایه بوده است.
کلیدواژه‌های فارسی مقاله تخلخل،مخازن کربناته،یادگیری عمیق،مدل ترکیبی،داده چاه،
عنوان انگلیسی Porosity estimation of carbonate reservoirs using a hybrid deep neural network model based on well data
چکیده انگلیسی مقاله Estimating porosity in carbonate reservoirs is challenging and complex due to the intricate pore systems and heterogeneity. Porosity represents the fluid storage capacity of the reservoir and is crucial for estimating reserves and production capacity; therefore, accurate and precise estimation of reservoir rock porosity is essential. Traditional methods for measuring porosity, such as core analysis and well logging, are often expensive and time-consuming. Deep learning methods and algorithms, by extracting complex patterns from large datasets and analyzing well data, can provide more accurate porosity estimations. In this study, a novel approach using a hybrid deep neural network model is presented for porosity estimation based on well data. The data were collected from a carbonate reservoir in southwestern Iran and include data from core analysis and well logs (gamma, neutron, density, sonic, and resistivity logs). The dataset comprises 2,000 data points, with 236 cores and two wells, divided into training, validation, and testing sets in the proportions of 70%, 15%, and 15%, respectively, for the first well, while the second well was used to evaluate the model's performance. The approach of this study includes data collection and preparation, the design of the hybrid neural network architecture, training, optimization, and model evaluation. Core data were used to validate the constructed hybrid deep neural network model. The coefficient of determination (R²) for the hybrid deep neural network model was 0.98, indicating that this model has a very high accuracy in predicting porosity.    A comparison of porosity predictions made by the hybrid deep learning model shows that its performance is more accurate than that of the multilayer perceptron model.
کلیدواژه‌های انگلیسی مقاله تخلخل,مخازن کربناته,یادگیری عمیق,مدل ترکیبی,داده چاه
نویسندگان مقاله امیررضا محرابی |
دانشجوی دکتری، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، گروه مهندسی نفت، تهران، ایران

مجید باقری |
دانشیار، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران

مجید نبی بیدهندی |
استاد، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران

ابراهیم بینیاز دلیجانی |
استادیار، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، گروه مهندسی نفت و شیمی، تهران، ایران

محمد بهنود |
استادیار، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، گروه مهندسی نفت و شیمی، تهران، ایران

نشانی اینترنتی https://www.ijgeophysics.ir/article_203728_5b60810575f3d1ad7ab7edb4096dac5c.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات