تخمين تراوايي موجود در سنگ مخزن با استفاده از شبكه هاي مصنوعي عصبي

شبكه های عصبی مصنوعی تركیبی از عناصر ساده عملیاتی در حالت موازی هستند . اين عناصر از سیستمهای عصبی بیولوژيكی الهام گرفته شده و براساس مدلهای رياضی شبیه سازی شدهاند شبكه ها دانش تجربی را استفاده میكنند و با انجام محاسبات روی دادههای عددی، آنها را ذخیره كرده و مورد استفاده قرار میدهند. روشهای زمین آماری بر پايه كريجینگ كه به منظور تخمین مقادير برای نقاط شبكه در منطقه مورد مطالعه استفاده میشود با نوعی هموارسازی در مقادير همراه می باشد.هر چند اين نوع هموارسازی در بعضی موارد مطلوب باشد ولی در بعضی مطالعات نقش منحرف كنندهای را بازی میكند.حذف يك سری از دادهای دارای مقادير بالا از نتايج اين هموارسازی می باشد. روشهای شبیه سازی سعی در حذف اين نوع هموارسازیها می باشد.در مخازن نفتی به علت جريان نفت در مخزن تغییرات زيادی در مخزن رخ میدهد كه در روشهايی مثل كريجینگ به علت وجود اثرات نرم كنندگی اين نوسانات قابل مشاهده نمی باشد، روش شبیه سازی بسیار مناسب برای اين كار می باشد. در اين مقاله به بررسی چگونگی تخمین مقادير تراوايی در محل چاه ها با استفاده از داده های زمینآمار و روش شبكه های عصبی پرداخته میشود.

One of the most important reservoir rock properties is permeability, Evaluation and calculation of this parameter is important and need’s complex correlations. Permeability is the fluid flow ability through reservoir rock pores. Reservoir rocks must be porous and pores must be interconnected, permeability will increase with porosity augmentation. Permeability will measure at the well head location and it’s not a good representative of whole reservoir rock permeability so there should be an ideal procedure to measure and calculate this parameter that indicates whole reservoir. One of those procedures is using artificial nervation modeling data to evaluate petroleum reservoirs permeability