تخمين مقاومت فشارشي تك محوره ( UCS ) سنگ با استفاده از شيوه هاي مختلف هوش مصنوعي ( AI )

مطالعات گسترده و یكپارچۀ مخزن، بخش اصلی واجتناب ناپذیر مدیریت مخزن است. یكی از ابعاد مهم این مدول الاستیك و ضریب ˛ مطالعه،تخمین پارامترهای مكانیك سنگ مخزن )مقاومت فشاری تك محوری پواسون میباشد. دسترسی به این پارامترها در مباحثی مانند بررسی دیوارۀ و طراحی شكاف و برنامۀ حفاری بسیار مهم هستند. مقاومت فشاری عبارت است از ظرفیت تحمل یك جسم، مصالح ساختمانی یا سازه در مقابل نیروهای فشاری محوری مستقیم. هنگامی كه حد مقاومت فشاری یك ماده فرا میرسد، آن ماده منهدم خواهد شد. هدف از این مطالعه تخمین ضریب UCS مقاومت فشارشی تك محوره( با استفاده از داده های چگالی سنگ ( RHOB ) تخلخل(PHIE ) و اشباع آب ( SW ) است. در این پروژه برای مدل سازی USC از سه سیستم هوشمند شبكه عصبی چند لایه (MLP) ، سیستمهای انطباقی منطق فازی (ANFIS) و معادلات ژنتیكی (GEP) استفاده شده است. براساس نتایج به دست آمده، تمامی شبكه های طراحی شده از عملكرد قابل قبولی جهت پاسخ به سوال طراحی شده )تخمین ضریب UCS سنگ برخوردارند و انتخاب دقیق ترین شبكه كاملاً بستگی به كمیت و كیفیت جامعۀ آماری دادههای استفاده شده دارد. به عنوان مثال برای بستۀ دادهای اعتبارسنجی مورد استفاده در این مطالعه، شبكۀ ANFIS تاحدودی بهتر عمل كرده است

Reservoir rock lithology and fluids contacts can be determined by petrophysical logs. This determination uncertainty leds to uncertainty in hydrocarbon inplace estimation. The objective of this paper is introducing a new approaches for this purpose by artificial neural networks as one of the artificial intelligence technique. Estimation of hydrocarbon saturation and detection of these zone was done by this technique. For this purpose, after data preprocessing and applying bad hole models, the investigations be done by four different types of artificial neural networks (MLP, RBF, LSSVM, CMIS) and petrophysical fullset logs (Rt, DT, RHOB, PEF, NPHI, GR, CALI). The results correlation coefficient for this type of ANN were 0.995, 0.995, 0.992 and 0.997 respectively. Compare with similar research by Discriminant Analysis with correlation coefficient of 92.2, this networks give the better outputs