تعيين واحدهاي ژئومكانيكي با استفاده از تجزيه و تحليل الگوريتم هاي بدون نظارت يادگيري ماشين مبتني بر نگاره هاي چاه هاي نفتي

Determination of geomechanical zones based on evaluation of Unsupervised Machine Learning algorithm methods

در اين تحقيق از روش يادگيري بدون نظارت جهت تعيين واحد هاي ژيومكانيكي در يكي از چاه هاي نفتي جنوب ايران با استفاده از لاگ هاي داده هاي چاه نگاري شامل نگاره گاما طبيعي(SGR) ، نگاره گاما اصلاح شده(CGR)، چگالي(RHOB)، تخلخل نوتروني(NPHI)، زمان موج برشي(DTSM) و زمان موج طولي (DTCO) استفاده شده است. برنامه نويسي مورد نياز در محيط پايتون انجام گرفته است. در اين راستا ابتدا بعد از پردازش داده هاي چاه نگاري از دو الگوريتم محبوب قدرتمند نظارت شده يادگيري ماشين ايكس جي بوست (XGBoost) و شبكه عصبي پرسپترون چند لايه (Multi-Layer Perceptron Neural Network) جهت بازيابي داده هاي گمشده استفاده گرديد. سپس از روش هاي بدون نظارت يادگيري ماشين شامل مدل k- ميانگين (K-Means Clustering)، الگوريتم خوشه بندي سلسله مراتبي(HAC)، الگوريتم خوشه بندي DBSCAN مبتني بر غلظت، و مدل آميخته گوسي (Gaussian Mixture Modelling) جهت تعيين واحد هاي ژيومكانيكي مخزني پر فشار، آهكهاي نارك لايه و غيرمخزني مسيله دار استفاده شد. در اين روش ها الگوريتم ها خود الگوهاي زير سطحي را با استفاده از داده ها شناسايي مي كنند كه ممكن است به راحتي در طول كاوش داده قابل مشاهده نباشند. معيار ارزيابي دقت روش دقت در شناسايي آهك هاي نازك لايه، سازندهاي غير مخزني مسيله دار و افق هاي پر فشار سازند هاي مورد مطالعه در نظر گرفته شد. نتايج مطالعات نشان داد كه از بين روش هاي مورد مطالعه روش GMM به جاي اينكه بر اساس فاصله باشد، مبتني بر توزيع است و از مرزهاي خوشه/تصميم بيضي استفاده مي كند. بنابراين، منجر به طبقه بندي نرم تري مي شود. علاوه براين، بخاطر قرار دادن الگوهاي احتمالاتي مختلف براي شناسايي واحد هاي ژيومكانيكي، روشي بهتر جهت تعيين واحدهاي مخزني پر فشار ايلام، سروك و آهكهاي نازك لايه مي باشد.

Machine Learning algorithms have widely been adopted to group well log measurements into distinguished lithological groupings, known as Facies/Geomechanical units. This procedure can be achieved using either unsupervised learning or supervised learning algorithms. Supervised learning is the most common and practical of machine learning tasks and it is designed to learn from the example using input data that has been mapped to the correct output. In this research, we can run the modeling using Unsupervised Learning, where we authorize the algorithms to recognize underlying patterns within the data that may not be easily visible during data exploration. Therefore, an unsupervised learning method has been used to determine geomechanical zones. In this method, we give one's consent/assent to algorithms to identify subsurface patterns using data that may not be easily visible during data exploration. First, the application of practical methods of machine learning algorithms, including the K-mean model, Based Spatial Clustering of Applications with Noise (DBSCAN), Hierarchical Agglomerative Clustering (HAC), and Gaussian mixed model, will be explained, an‎d then in this research, the best method for predicting petrophysical layers will be presented and compared the results with an established Lithofacies curve. The required programming is done in a Python environment. In this regard, after well processing, The XGBoost and Multi-Layer Perceptron Neural Network Algorithms have been used to predict the missing data. The optimal number of clusters is obtained using an ‘elbow’, In this article, as the title suggests, Four methods are used in cluster analysis unsupervised machine learning algorithms, but in petrophysical, geological, and geomechanical realities, data seldom conform to good circle patterns. Whereas if the data clusters are circular, K-Means clustering and Hierarchical Agglomerative Clustering( HAC) work great. Therefore, it is better to use the Gaussian mixed models (GMM) method.