تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,106,204 |
تعداد دریافت فایل اصل مقاله | 97,211,569 |
استفاده از رگرسیون بردار پشتیبان بر پایه کرنل گاوسی برای مدلسازی تخلخل مخزن در یکی از میادین نفتی ایران | ||
فیزیک زمین و فضا | ||
مقاله 2، دوره 47، شماره 3، آذر 1400، صفحه 421-432 اصل مقاله (949.01 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/jesphys.2021.315671.1007270 | ||
نویسندگان | ||
مهدی رفیعی1؛ مجید باقری* 2؛ مجید نبیبیدهندی3 | ||
1دانشجوی کارشناسی ارشد، گروه فیزیک زمین، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران | ||
2استادیار، گروه فیزیک زمین، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران | ||
3استاد، گروه فیزیک زمین، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران | ||
چکیده | ||
تراوایی، تخلخل و رخسارههای رسوبی فاکتورهای اساسی مشخصههای مخزنی هستند. تخلخل نمایانگر توانایی سنگ در ذخیره سیالات است. رویکردهای زیادی برای رگرسیونهای خطی/غیرخطی از جمله شبکههای عصبی در سالهای اخیر بسیار موردتوجه بودهاند، شبکه عصبی پرسپترون چندلایه (MLP) یکی از این شبکهها میباشد که توانایی خود را به اثبات رسانده است ولی هرکدام از این روشها معایبی دارند. در این تحقیق روش ماشین بردار پشتیبان (SVM) بهعنوان روش اصلی برای رگرسیون و تخمین تخلخل مخزن در یکی از مخازن هیدروکربنی بهکار گرفته شده است. این روش با روش پرسپترون چندلایه مقایسه شده است و نتایج هرکدام موردبررسی قرار گرفتهاند. برای اینکار ابتدا هرکدام از ماشینهای موردنظر برای تخمین تخلخل در محل چاه بهکار گرفته شدهاند و نتایج اولیه باهم مقایسه شدند. نتایج اولیه رگرسیون بردار پشتیبان توانایی بالاتری نسبت به پرسپترون چندلایه نشان داد. برای اینکار بردار پشتیبان برپایه کرنلهای مختلف مورد استفاده قرار گرفت که تابع کرنل گاوسی نتایج بهتری حاصل کرد و نهایتاً برای مدلسازی سهبعدی تخلخل بهکار گرفته شد. برای تهیه یک نقشه سهبعدی به دادههای لرزهای و نشانگرهای استخراج شده مناسب از روی آن نیاز میباشد. بررسی و مقایسه نتایج نشان داد که هردوی ماشینهای پرسپترون چندلایه و بردار پشتیبان از توانایی بالایی برخوردار هستند ولی رگرسیون بردار پشتیبان با توجه به قدرت تخمین بالا نتایج بهتری حاصل کرد. | ||
کلیدواژهها | ||
تخلخل؛ رگرسیون؛ شبکه عصبی پرسپترون چندلایه؛ ماشین بردار پشتیبان؛ نشانگرهای لرزهای؛ نگارهای چاه | ||
مراجع | ||
AL-Bazzaz, W. H, Al-Mehanna, Y. W. and Gupta, A., 2007, Permeability Modeling Using Neural-Networks Approach for Complex Mauddud-Burgan Carbonate Reservoir SPE 105337. Ali, K, 1994, Neural Networks: A New Tool for the Petroleum Industry, SPE. Aminzadeh, F. and Brouwer, F. 2006, Integrating Neural Networks and Fuzzy Logic for Improved Reservoir Property Prediction and Prospect Ranking. SEG New Orleans 2006 Annual Meeting. Balan, B., Mohaghegh, S. and Ameri, S., 1995, State-of-the-Art in Permeability Determination from Well Log Data: Part I. Comparative study, model development. SPE Eastern Regional Conference and Exhibition, West Virginia, 17–21. Bean M. and Jutten C., 2000, Neural Networks in Geophysical Applications, Geophysics, 65, 1032-1047. Bolandi, V., Kadkhodaie, A. and Farzi, R., 2017, Analyzing organic richness of source rocks from well log data by using svm and ann classifiers: A case study from the kazhdumi formation, the persian gulf basin, offshore iran. Cortes, C. and Vapnik, V., 1995, Support-Vector Networks. Machine Learning, 20, 273-297. Leiphart, D. J. and Hart, B. S., 2001, Case History Comparison of Linear Regression and Probabilistic Neural Network to Predict Porosity from 3-D seismic Attributes in Lower Brushy Canyon Channel Sandstones, Southeast New Mexico, Geophysics, 66(5), 1349-1358. Doyen, P. M., 1998, Porosity from seismic data -A geostatistical approach: Geophysics, 3, 1263-1275. Eshafei, M. and Gharib, M., 2007, Neural Network Identification of Hydrocarbon Potential of Shaly Sand Reservoirs, Technical Symposium SPE. Gholami, A. and Ansari, H. R., 2017, Estimation of porosity from seismic attributes using a committee model with bat-inspired optimization algorithm. J Pet Sci Eng 152:238–249. Hommel, J., Coltman, E. and Holger, C., 2018, Porosity – permeability relations for evolving pore space: a review with a focus on (bio-)geochemically altered porous media. Transp Porous Med. 124(2):589–629. Hosseini, E., Gholami, R. and Hajivand, F., 2019., Geostatistical modeling and spatial distribution analysis of porosity and permeability in the Shurijeh-B reservoir of Khangiran gas field in Iran. J Pet Explor Prod Technol, 9, 1051–1073. Kumar, R., Das, B., Chatterjee, R. and Sain, K., 2016, A methodology of porosity estimation from inversion of post stack seismic data. Journal of Natural Gas Science and Engineering, 28, 356–364. Linqi, Z., Zhang, C. and Guo, C., 2018, Calculating the total porosity of shale reservoirs by combining conventional logging and elemental logging to eliminate the effects of gas saturation. Petrophysics, 59(2), 162–84. Mori, T. and Leite, E. P., 2018, Porosity Prediction of a Carbonate Reservoir in Campos Basin Based on the Integration of Seismic Attributes and Well Log Data. (2018). Perrin, C., Rafik, M., Akbar, M. and Jain, S., 2007, Integration of Borehole Image to Enhance Conventional Electrofacies Analysis in Dual Porosity Carbonate Reservoirs, SPE, 11622, International Petroleum Technology Conference, Dubai, UAE 6-4 December. Saggaf, M. M., Toksöz, M. N. and Marhoon, M. I., 2003, Seismic Facies Classification and Identification by Competitive Neural Networks, Geophysics, 68(6), 1984-1999. Schutz, P. S., Hattori, M. and Corbett, C., 1994, Seismic guided estimation of log properties, parts 1,2, and 3: The Leading Edge,13,305-310,674-678, and 770-776. Sippel, M., 2003, Reservoir Characterization from Seismic and Well Control with Intelligent Computing Software, AAPG Annual Convention, Salt Lake City, Utah, May 11-14. Soto, R.B., Bernal, M.C. and Silva, B., 2000, How to Improve Reservoir Characterization using Intelligent Systems. SPE 62938. Soto, R., Torres, B.F., Arango, S. and Cobaleda, G., 2001, Improved Reservoir Permeability Models from Flow Units and Soft Computing Techniques. A Case Study, Suria and Reforma-Libertad, SPE 69625. Wang, L., 2005, Support Vector Machines: Theory and Applications, STUDFUZZ, volume 177. Xie, M., Mayer, KU., Claret, F., Alt-Epping, P., Jacques, D., Steefel, C., Chiaberge, C. and Simunek, J., 2015, Implementation and evaluation of permeability-porosity and tortuosity-porosity relationships linked to mineral dissolution-precipitation. Comput Geo Sci., 19(3), 655–71. | ||
آمار تعداد مشاهده مقاله: 990 تعداد دریافت فایل اصل مقاله: 635 |