ارزيابي و بهينه سازي سيستامتيك پارامترهاي شبكه عصبي در پيش بيني تخلخل

SYSTEMATIC EVALUATION AND OPTIMIZATION OF NEURAL NETWORKS PARAMETERS IN PREDICTION OF POROSITY

پيش بيني تخلخل از مهم ترين نيازهاي صنعت حفاري است. در روش هاي رايج براي محاسبه تخلخل سازند به اطلاعات چاه نگاري وآزمايش هاي مغزه نياز است. امروزه با استفاده از شبكه هاي عصبي مصنوعي، مي توان از كمترين اطلاعات بهره برده و تخلخل را به خوبيپيش بيني كرد. از سال 1986 استفاده از شبكه هاي عصبي مصنوعي در صنعت گسترش يافته و محققان روي بهينه كردن اين سيستم ها متمركزشده اند. در اين تحقيق با استفاده از شبكه هاي عصبي مصنوعي سعي شده به كمك نمودارهاي نوترون و صوتي، تخلخل با دقت مناسبيپيش بيني شود. به منظور افزايش تعميم پذيري شبكه در مكان هايي كه نمودارهاي چگالي و گاما با مشكل مواجه شده يا با هدف كاهشهزينه هاي جمع آوري داده هاي چاه پيمايي، از ديگر نمودارها صرف نظر گرديده و از 40000 داده چاه نگاري و تخلخلِ ارزيابي شده مربوط به 12 حلقه چاه از ميداني در جنوب غرب ايران استفاده شده است. از مهم ترين عوامل كارايي يك شبكه عصبي، تعيين تعداد بهينه مراحل آموزشي با هدف جلوگيري از بيش برازش است. از ديگر نكات مهم در مدل سازي به وسيله شبكه عصبي، تعيين بهينه تعداد لايه هاي مخفي، تعداد نرون ها در هر لايه و نيز تابع آموزش است. در اين تحقيق ساختارشبكه عصبي بهينه براي پيش بيني تخلخل بررسي شده است. با اجراي شبكه هاي مختلف، بهترين ساختار شبكه پرسپترون چند لايه مشخص و در نهايت ميزان تخلخل با دقت مناسبي پيش بيني شد.

Accurate prediction of porosity index is one of the most important requirements in the petroleum industry. Well logging information and petrophysical tests results are needed toevaluate the porosityin traditional methods,butnowadays usingartificial neural networktechniques it is possible to predict porosity with the least amount of data. The application of artificial neural network in the oil industry has been developed since 1986 and the main target of researchersis optimization of these systems. In this study the porosity index was predicted with high accuracy by using only neutron and sonic logs. In this study 40000 valid logging data and also evaluated porosity data from 12 wells of one of southern Iranianfield has been used. Finding the optimum epoch of training to avoid over fitting is one of the most important factors in networks efficiency. Adjusting the number of hidden layers and neurons and also learning function are other important parameters in networks modeling. In this paper the optimum structure of neural network for predictionof porosityhas been studied. By running different networks the best structure of multi layer Persepteron network was fitted and finally the porosity index was predicted with high accuracy