پياده سازي الگوريتم بهينه سازي آموزش و يادگيري براي تخمين سرعت امواج برشي از داده هاي چاه نگاري در دو مطالعه موردي ماسه سنگي و كربناته

Implementing the teaching-learning based optimization algorithm to predict shear wave velocity from well logs in sandstone and carbonate case studies

رعت امواج لرزه ­اي تراكمي و برشي در كنار داده ­هاي پتروفيزيكي اطلاعات ارزشمندي را در مراحل اكتشاف و توسعه ميادين نفتي فراهم مي‌كنند. برخلاف سرعت امواج تراكمي كه در اكثر مواقع توسط ابزار نمودارگيري سونيك اندازه‌گيري مي‌شود، نمودار سرعت امواج برشي به علت هزينه‌ي بالا تنها در تعداد محدودي از چاه­هاي يك ميدان برداشت و ثبت مي­گردد. بنابراين بايستي سرعت اين امواج را با استفاده از روش‌هاي ديگري تخمين زد. روابط تجربي متعددي ارائه‌ شده است كه سرعت امواج برشي را به پارامترهاي پتروفيزيكي و اندازه‌گيري‌هاي چاه ­نگاري مربوط مي‌كنند كه معمولاً كارائي موردي دارند. يكي از روش‌هاي كارآمد براي پيش ­بيني سرعت امواج برشي، استفاده از سيستم‌هاي هوشمند است. در اين مقاله علاوه بر استفاده از روش تجربي گرينبرگ-كاستاگنا، از الگوريتم بهينه‌سازي مبتني بر آموزش و يادگيري براي ساخت يك مدل خطي و يك مدل غيرخطي براي پيش ­بيني سرعت امواج برشي در يك سازند مخزني ماسه‌سنگي در يكي از ميادين فراساحلي واقع در استرالياي غربي و يك سازند مخزني كربناته در يكي از ميادين خشكي واقع در جنوب غرب ايران استفاده ‌شده است. مقدار خطا و ضريب همبستگي نتايج به دست آمده از الگوريتم بهينه­ سازي مبتني بر آموزش و يادگيري نشان ­دهنده كارائي مطلوب اين الگوريتم است. نتايج مدل خطي و غير خطي ساخته ­شده به هم نزديك است با اين تفاوت كه مدل خطي در مدت زمان كمتري اجرا مي­شود. مدل خطي اين الگوريتم با خطاي 3/2 درصدي و ضريب همبستگي 82/0 در سازند ماسه سنگي و خطاي 3/3 درصدي و ضريب همبستگي 95/0 در سازند كربناته، عملكرد مناسبي در هر دو مطالعه موردي داشته و مي­تواند به عنوان روشي كارآمد براي تخمين سرعت موج برشي استفاده گردد.

Compressive and shear seismic waves along with petrophysical data provide valuable information during the exploration and development of oilfields. Unlike compression waves, which are often measured by sonic diagrams, shear wave diagrams are captured and recorded only in a limited number of wells due to their high cost. Therefore, the speed of these waves should be estimated using other methods. Numerous empirical relationships have been proposed that relate shear wave velocities to petrophysical parameters and well log measurements that are usually case-efficient. One of the most effective methods for predicting shear wave velocity is the use of smart systems. In this paper, in addition to using the Greenberg-Castagna empirical method, an optimization algorithm based on training and learning algorithm for constructing a linear model and a nonlinear model for predicting shear wave velocity in a sandstone reservoir formation in a west offshore field and a carbonate reservoir formation is used in one of the onshore fields in southwestern Iran. The error rate and the correlation coefficient of the results obtained from the optimization algorithm based on education and learning indicate the optimal performance of this algorithm. The results of the constructed linear and nonlinear models are close, except that the linear model is run in less time. The linear model of this algorithm with good error of 2.3% and correlation coefficient of 0.82 in sandstone formation and 3.3% error and correlation coefficient of 0.95 in carbonate formation have good performance in both case studies and can be used as an efficient method. Use to estimate shear wave velocity.