طراحي مدل گروهي تخمين تراوايي مخزن هيدروكربوري با استفاده از نگاره‌هاي پتروفيزيكي بر اساس تفكيك ليتولوژيكي

Designing an Ensemble model for hydrocarbon reservoir Permeability prediction by petrophysical lithology Labeling

تراوايي يا نفوذپذيري، يكي از خصوصيات مهم مخازن نفت و گاز است كه پيش بيني آن دشوار مي باشد. در حال حاضر از مدل هاي تجربي و رگرسيوني براي پيش بيني تراوايي استفاده مي شود، از سوي ديگر افزايش دقت در پيش بيني تراوايي جهت نقاطي كه فاقد نمونه مغزه است از اهميت ويژه اي در تحليل رفتار مخزن برخوردار است. در چند وقت اخير، به دليل قابليت پيش بيني بهتر، از الگوريتم هاي يادگيري ماشين براي پيش بيني تراوايي استفاده شده است. در اين مطالعه، مدل يادگيري ماشين گروهي جديدي براي پيش بيني تراوايي در مخازن نفت و گاز معرفي شده است. در اين روش، داده هاي ورودي با استفاده از اطلاعات ليتولوژي لاگ ها برچسب گذاري شده و به تعدادي از خوشه ها تفكيك مي شوند و هر خوشه توسط الگوريتم يادگيري ماشين مدل سازي شد. برخلاف مطالعات قبلي كه به صورت مستقل روي مدل ها كار مي كردند در اينجا ما ضمن طراحي يك مدل گروهي با استفاده از الگوريتم هاي رگرسيون درخت تصميم افزوده (ETR)، رگرسيون درخت تصميم (DTR) و رگرسيون گراديان تقويت شده (GBR) و داده هاي پتروفيزيكي، توانستيم صحت و دقت پيش بيني همچنين خطاي ميانگين مربعات را به طرز چشم گيري بهبود ببخشيم و تراوايي را با دقت 99.82 درصد پيش بيني كنيم. نتايج نشان داد كه مدل هاي گروهي در بهبود دقت پيش بيني تراوايي در مقايسه با مدل هاي انفرادي تاثير فراواني دارند و همچنين تفكيك نمونه ها بر اساس اطلاعات ليتوژي، دليلي بر بهينه نمودن تخمين تراوايي نسبت به تحقيقات گذشته بود.

Permeability is an important feature of oil and gas reservoirs that is difficult to predict. At present, experimental and regression models are used to predict permeability. On the other hand, increasing the accuracy of permeability prediction for points that do not have a core sample is of particular importance in analyzing reservoir behavior. In recent times, due to better predictability, machine learning algorithms have been used to predict permeability. In this study, a new group machine learning model for permeability prediction in oil and gas tanks is introduced. In this method, the input data is labeled using log lithology information and separated into a number of clusters and each cluster was modeled by machine learning algorithm. Unlike previous studies that worked independently on models, here we design a group model using augmented decision tree (ETR), decision tree (DTR) regression, and enhanced gradient (GBR) algorithms. an‎d petrophysical data, we were able to dramatically improve the accuracy of the prediction as well as the mean square error and predict the permeability with 99.82% accuracy. The results showed that group models have a great effect on improving the accuracy of permeability prediction compared to individual models and also the separation of samples based on lithology information was a reason to optimize the Trojan estimate compared to previous studies.