اندازه گيري درجه اشباع نفت در مخازن كربناته با استفاده از شبكه هوش مصنوعي MLP

درجه اشباع نفت یكی از پارامترهای كلیدی در مهندسی نفت جهت محاسبه حجم هیدروكربن مخزن و همچنین كاهش ریسك اقتصاادی محسوب می شود. به دلیل هزینه بر بودن اندازه گیری این پارامتر با استفاده از عملیات مغزه گیری و آنالیز مغزه، و همچنین ارائه مقادیری ناپیوسته از طول چاه، استفاده از نمودارهای چاه پیمایی مورد توجه قرار گرفته است. اولین تلاش ها در این زمینه توسط آرچی صورت گرفت، كه همچنان نیز برای محاسبه درجه اشباع نفت در مخازن با لیتولوژی عاری از شیل از این روی روش استفاده می شود و در مخازن ماسه سنگی با دقت مناسبی پاسخگو می باشد. مخازن كربناته بر خلاف مخازن ماسه سنگی دارای ناهمگنی زیادی در شكل و اندازه ی فضای متخلخل و نحوه ی اتصال این فضاها با یكدیگر می باشد كه باعث می شود محاسبه درجه اشباع هیدروكربن بسیار پیچیده گردد و با خطای زیادی نیز همراه باشد. با گسترش روز افزون كاربرد و بهبود روش های هوشمند در مسائل مهندسی، در مهندسی نفت نیز به این روش ها جهت اندازه گیری خواص پتروفیزیكی مخزن توجه شده است. در این مطالعه ما از یك مدل شبكه هوش مصنوعی MLP برای تخیمن درجه اشباع آب با استفاده از داده های نمودارهای معمول چاه پیمایی استفاده نموده ایام و در یك مطالعه موردی، در یكی از مخازن كربناته جنوب غربی نتایج این مدل را با نتایج آنالیز مغزه مقایسه كرده ایم. با بررسی داده های آزمایش نتایج نشان می دهند كه این روش با رسیدن به خطای مربعات میانگین برابر 23% و یك ضریب كرولیشن 93/. از دقت بالایی در تخمین درجه اشباع نفت برخوردار می باشد، در حالیكه روش های معمول مانند روش آرچی دارای خطای مربعات میانگین برابر 12/. و یك ضریب كرولیشن 41/. می باشد كه نشان از توانایی بالای مدل MLP نسبت به روش های معمول تجربی می باشد.