استفاده ازتكنيك هاي يادگيري جمعي بر پايه انتخاب ويژگي براي پيش ‌بيني سرعت موج برشي

سرعت موج برشي يكي از پارامترهاي مهم براي تعيين خواص مكانيكي و پتروفيزيكي در مخازن هيدروكربوري است. اندازه‌گيري موج برشي به كمك روش‌هاي آزمايشگاهي و بهره‌گيري از ابزار صوتي دوقطبي امكان‌پذير است، با اين‌حال، با توجه به هزينه بالاي عمليات مغزه‌گيري و اخذ لاگ صوتي دوقطبي، داده‌هاي واقعي موج برشي تنها براي تعداد محدودي از چاه‌هاي يك ميدان در دسترس مي‌باشند. براي غلبه بر اين محدوديت‌ها، روش‌هاي مختلف هوش مصنوعي به منظور تخمين پارامتر مذكور از طريق لاگ‌هاي معمول چاه به كار برده مي‌شوند. در اين مطالعه به تخمين سرعت موج برشي با استفاده از روش‌هاي يادگيري جمعي (ensemble learning) در مخزن آسماري ميدان منصوري پرداخته شد. در اين مطالعه، سرعت موج برشي با استفاده از روش‌هاي يادگيري جمعي مثل راي‌گيري (Voting)، برانبارش (Stacking) ، بسته‌بندي (Bagging) و تقويت (Boosting) در مخزن آسماري برآورد شد و نتايج با مدل هاي مرسوم مثل، رگرسيون خطي (LR)، رگرسيون بردار پشتيبان (SVR)، الگوريتم نزديك‌ترين همسايه (KNN)، درخت تصميم (DT)، شبكه عصبي (ANN) و روش‌هاي هيبريدي مثل تركيب شبكه عصبي با الگوريتم‌ ژنتيك (ANN-GA)، ازدحام ذرات (ANN-PSO) و سيستم‌هاي فازي (ANFIS) مقايسه شد. به منظور ارزيابي و اعتبارسنجي مدل‌ها از ضريب همبستگي و ريشه ميانگين مربعات خطا استفاده شد. مقايسه مدل‌هاي مرسوم و روش‌هاي هيبريدي با روش‌هاي يادگيري جمعي نشان داد كه الگوريتم‌هاي جمعي عملكرد بهتري در تخمين موج برشي دارند. از بين روش‌هاي يادگيري جمعي نيز مدل كت‌بوست (Catboost) با ميزان R2 برابر 0.983 و RMSE برابر با 0.058 بهترين عملكرد را نشان داد و قادر به تعيين موج برشي با دقت بالاست.