استفاده از ماشين بردار پشتيبان برپايه تابع شعاعي براي تخمين نفوذپذيري سنگ مخزن

Using support vector machine (SVM) based on radial basic function for permeability prediction ofreservoirrock

يكي از خصوصيات بسيار مهم سنگ مخزن نفوذپذيري است. اين پارامتر نقشي اساسي در ارزيابي نرخ توليد مخزن، عملكرد ميادين و مديريت و توسعه مخزن ايفا مي كند. در واقع اين خاصيت بيانگر توانايي عبور سيال از محيط متخلخل است بدون آنكه در ساختمان سنگ تغييري ايجاد شود يا اينكه سيال جايگزين بخشهايي از آن گردد. نفوذپذيري عمدتاً از طريق اندازه‌گيـري‌هـاي آزمايشـگاهي از روي مغـزه يـا داده‌هاي چاه‌آزمايي به دست مي‌آيد. با اين حال، به دليل هزينه زياد و فراواني كم اين نوع از داده‌ها، پيش‌بيني نفوذپذيري با اسـتفاده از داده‌هاي چاه‌نگاري از جايگاه ويژه‌اي برخوردار است. نفوذپذيري با استفاده از يك مدل رگرسيوني تحت عنوان ماشين بردار پشتيبان با استفاده از تابع پايه شعاعي به كمك داده‌هاي چهار چاه در ميدان مذكور محاسبه شده است. ضريب همبستگي بين مقادير نفوذپذيري واقعي و مقادير تخمين زده شده براي هركدام از رخساره هاي الكتريكي در محل چاه شماره چهار محاسبه شد. مقادير بالاي بدست آمده براي ضريب همبستگي توانايي و دقت زياد روش مورد استفاده براي تخمين نفوذپذيري را تاييد كرد.

Permeability is one of the most important hydrocarbon reservoir’s characters. This parameter plays a fundamental role in assessing the production rate of a reservoir, field performance, and reservoir management and development. In fact, this property indicates the ability to pass fluid from the porous medium without changing the structure of the building or replacing it with parts of it. Permeability is mainly obtained through laboratory measurements on the core or well data. However, because of the high cost and low frequency of this type of data, using of well logging data has a particular importance in permeability prediction. In the following, permeability was calculated using a regression model called support vector machine based on radial basic function using data from four wells in the aforementioned field. To enhance the model s generalizability, the data of three wells was used to train the regression model whereas well number four was hidden and also was used to evaluate the efficiency and accuracy of the model. To do that, the correlation coefficient was calculated between the actual and estimated permeability values for each electro-facies in well number four. High values of correlation coefficient confirmed the ability and accuracy of the proposed method for permeability prediction.