عنوان : ( کاربرد مدلهای پیشرفته یادگیری ماشین جهت پیشبینی رخسارههای سنگی در یکی از میدانهای نفتی جنوب ایران )
نویسندگان: حمید قالیباف محمدابادی , ناصر حافظی مقدس , الهام مهدیپور , مجتبی حیدریزاد , حسین طالبی ,چکیده
بهطور مرسوم طبقهبندی رخسارههای سنگی در میدانهای نفتی بر اساس مطالعات رسوبشناسی، چینهشناسی، پتروفیزیکی، نفوذپذیری و ژئومکانیکی انجام میگیرد. زیرا دانشمندان علوم زمین تفسیرهای متفاوتی را از یک مجموعه داده ارائه میدهند. اگرچه مطالعات آزمایشگاهی حاصل از نمونه گمانههای اکتشافی که در حین حفاری بهدست میآیند، نمایش دقیقتری از زمینشناسی زیرسطحی به دست میدهند. اما به دلیل هزینههایشان، همیشه برای همه چاههای یک میدان در دسترس نیستند. بنابراین، یک روش سریع و کارآمد برای طبقهبندی دقیق رخسارههای سنگی در تعداد زیادی از چاههای بدون نمونه گمانه حفاری با حداقل سوگیری ذهنی ضروری است. هدف از این مطالعه استفاده از یادگیری ماشینی نظارت شده برای طبقهبندی رخسارههای سنگی از لاگهای ژئوفیزیکی در چاههای بدون نمونه حفاری میباشد. برای این منظور از مجموعه داده چاهنگاری 7 چاه آموزشی یکی از میدانهای نفتی جنوب ایران که شامل نگاره گاما طبیعی) SGR (، نگاره گاما اصلاحشده ) CGR (، چگالی) RHOB (، تخلخل نوترونی) NPHI (، کندی موجبرشی) DTSM ( و کندی موج طولی) DTCO ( که مستقیم ا در تعیین رخسارههای ژئومکانیکی تأثیر دارند بهعنوان دادههای مستقل و واحدهای طبقهبندی شده رخساره، بهعنوان متغیر وابسته استفاده شده است. این مجموعه داده از عمق 3000 تا 4000 هزار متری زمین مربوط به سازندهای آهکی ایلام و سروک )آهک بنگستان( تشکیل شده است. در مرحله اول این سازندها بهوسیله روشهای خوشهبندی هوش مصنوعی و مطالعات آزمایشگاهی به 5 رخساره تفکیک شده است. بعد از این مرحله از 8 روش یادگیری ماشین نظارت شده شامل Regression Logistic ، K Nearest Neighbors ، Decision Tree ، Random Forest ، Gaussian NB ، Gradient Boosting ، Extra Trees و SVM جهت ساخت یک مدل مناسب بکار گرفته شد. مجموعه داده این چاهها بهوسیله هر یک از این الگوریتمها مراحل آموزشی و آزمایشی جهت ساخت یک مدل مناسب بکار گرفته شد و برچسبهای رخسارهها پیشبینی شد. جهت ارزیابی عملکرد مدلها از چندین معیار ارزیابی شامل Accuracy ، Precision ، F1-SCORE و Recall بهوسیله ماتریس درهمریختگی و نمودارهای ROC استفاده شده است. از بین روشهای مذکور الگوریتم Extra Trees Classifier ، Gradient Boosting ، K-Nearest Neighbors نتایج بهتری را نشان دادهاند. در نهایت، عملکرد مدل جهت پیشبینی رخسارههای سنگی چاه خارج از مدل یا چاه دیده نشده ارائه شده است.
کلمات کلیدی
, رخسارههای سنگی, Trees Extra Classifier , F1-SCORE , Gradient Boosting , Random Forest , ماتریس درهم ریختگی, نمودارهای ROC@article{paperid:1097477,
author = {قالیباف محمدابادی, حمید and حافظی مقدس, ناصر and الهام مهدیپور and مجتبی حیدریزاد and حسین طالبی},
title = {کاربرد مدلهای پیشرفته یادگیری ماشین جهت پیشبینی رخسارههای سنگی در یکی از میدانهای نفتی جنوب ایران},
journal = {ژئو مکانیک نفت},
year = {2023},
volume = {6},
number = {4},
month = {November},
issn = {2538-4651},
pages = {1--18},
numpages = {17},
keywords = {رخسارههای سنگی، Trees Extra Classifier ، F1-SCORE ، Gradient Boosting ، Random Forest ، ماتریس درهم
ریختگی، نمودارهای ROC},
}
%0 Journal Article
%T کاربرد مدلهای پیشرفته یادگیری ماشین جهت پیشبینی رخسارههای سنگی در یکی از میدانهای نفتی جنوب ایران
%A قالیباف محمدابادی, حمید
%A حافظی مقدس, ناصر
%A الهام مهدیپور
%A مجتبی حیدریزاد
%A حسین طالبی
%J ژئو مکانیک نفت
%@ 2538-4651
%D 2023