به‌كارگيري مدل رگرسيون ماشين بردار پشتيبان به منظور تخمين ميزان اشباع شدگي آب سازند يكي از ميدان‌هاي نفتي بزرگ جنوب غرب ايران

Application of support vector regression to estimate the formation water saturation in one of the largest oil fields located in the southwest of Iran

اشباع ­شدگي آب (Sw) سنگ مخزن يكي از پارامترهاي پتروفيزيكي مهم است؛ كه تأثير زيادي بر دقت تخمين ميزان نفت اوليه مخزن دارد. به دليل اهميت زياد اين پارامتر در محاسبات اقتصادي توسعه مخزن، تعيين دقيق آن اجتناب­ ناپذير است. در پژوهش حاضر براي تخمين اين پارامتر، مدل رگرسيون ماشين بردار پشتيبان شامل 5 متغير ورودي يعني داده ­هاي چاه­ نگاري پرتو گاماي طبيعي، تخلخل نوتروني، چگالي كپه­اي سازند، زمان گذر امواج صوتي و مقاومت ويژه الكتريكي حقيقي و پارامتر Sw به عنوان تك خروجي براي سه حلقه چاه در يكي از ميدان‌هاي نفتي بزرگ سازند آسماري واقع در جنوب غرب كشور ايران مورد استفاده قرار گرفته است. به­ منظور مقايسه نتايج تخمين با واقعيت به طور بصري، ستون چينه­شناسي و اشباع­ شدگي آب و هيدروكربور سازند نيز توسط نرم­ افزار Geolog براي چاه­هاي مورد مطالعه ترسيم شده است. از تعداد كل 1211 داده نقطه­ اي موجود براي سه حلقه چاه، حدود 80 درصد به ­عنوان داده ­هاي آموزشي و حدود 20 درصد به ­عنوان داده­هاي آزمون انتخاب شدند. عملكرد الگوريتم از طريق اعتبارسنجي متقابل بر اساس معيارهاي مختلف همانند ترسيم نمودار پراكندگي مقادير اندازه­ گيري­ هاي آزمايشگاهي Sw توسط مغزه ­ها در مقابل مقادير تخميني با استفاده از داده­هاي چاه­ نگاري سه حلقه چاه توسط مدل SVR و محاسبه پارامترهاي آماري معرف خطا، نيز اعتبارسنجي شده است. نتايج تحقيق نشان مي­دهد كه مدل مذكور از قابليت بالايي براي تخمين ميزان Sw سنگ مخزن با استفاده از داده­ هاي چاه­ نگاري برخوردار است. به ­گونه ­اي­ كه داده ­هاي آموزشي را با ضريب تعيين همبستگي عالي بيش از 87 درصد و داده ­هاي آزمون را با ضريب تعيين همبستگي مطلوب بيش از 76 درصد تخمين زده است.

Water saturation (Sw) of a hydrocarbon reservoir is an important petrophysical parameter having a great impact on the accuracy of primitive estimation of the reservoir. Due to highly importance of this parameter dealing with the economic calculations of the reservoir, it must be estimated precisely. Although experimental analysis of core samples taken from a reservoir leads to very useful information about Sw of the reservoir, this experimental method is highly expensive and time consuming; and therefore, this method is applicable only for a small number of wells in a field. To overcome this problem, an intelligent pattern recognition method, known as support vector regression (SVR), has been employed in the current research to estimate Sw from well logs data of 3 wells in one of the largest oil fields of Iran. The performance of the algorithm has also been validated through different criteria. The results of this research indicate that the SVR model can estimate Sw from well logs data accurately, in which the determination coefficients of 87 and 76 percent have been obtained from the training and test steps, respectively.