پيش بيني درصد حجمي سيالو ليتولوژي ماتريكس مخزن با استفاده از شبكه عصبي وانفيس

Using ANFIS and Neural Networks to Predict the Volume Percentage of Matrix and Fluid

در رو شهاي رايج براي يافتن درصد ليتولوژي ماتريكس و سيالات، از اطلاعات چا ه نگاري و نتايج آزمايش هاي مغزه و هم چنين آزمايش هاي پتروفيزيكي استفاده مي شود كه هزينه هاي فراواني دارد. بنابراين طراحي مدلي كه قادر به پيش بيني درصد ليتولوژي تنها با استفاده از داده هاي چاه نگاري باشد، بسيار مقرو ن به صرفه خواهد بود. در اين تحقيق با استفاده از شبكه هاي عصبي و انفيس چنين مدلي طراحي شده است. اطلاعات مربوط به حدود 1500 نقطه چند چاه از ميداني در جنوب ايران كه توسط كارشناسان پتروفيزيك ارزيابي شد ه اند موجود است. ابتدا به كمك مدل انفيس و روش سعي و خطا بهترين نمودارها براي پي شبيني ليتولوژي انتخاب شدند (نمودارهاي نوترون، صوتي، چگالي، گاما، پف و هدايت الكتريكي). سپس اين نمودارها ب هعنوان متغيرهاي ورودي به شبك ههاي تابع شعاعي و چندلايه پس انتشار اعمال شدند. با استفاده از توابع مختلف و با درنظر گرفتن معيارهاي اعتبارسنجي نظير كمينه مربع خطا، ضريب همبستگي و نمودار مقايسه، بهترين مد لها براي پيش بيني درصد ليتولوژي ماتريكس و سيالات مخزن با استفاده از نمودارهاي چا هنگاري انتخاب شدند. در نهايت با توجه به نتايج حاصل از جداول و شكل ها، كارايي دقيق اين مدل و مقرو ن به صرفه بودن آن به اثبات رسيد

In the common methods to finding percentage of lithology and fluids, well log information, petrophysical tests and experts are needed. Therefore, designing a model which is able to evaluate the percentage of lithology based on well-log data without laboratory information w ill be economic. Nowadays, by using artificial neural networks, lithology can be predicted very well with less information and time. Various Artificial Neuro-Fuzzy Inference Systems (ANFIS) and radial basis function(RBF) and back propagation (BP) neural network implied (About 1500 accredite d data and evaluated lithology and fluid volume percentage were available). In this paper, several kinds of feature tested by ANFIS model and finally neutron porosity (NPHI), conductive log (CT), resistivity log (RT), density (RHOB), natural gamma (GR) and photo electron (PE) logs wer e determined as the best logs to predict the percentage of lithology and fluidʹs volume. Then these logs were used as input variable for radial RBF and BP neural network. In the second optimization, several training functions were implemented to select the best structure by least error. Comparison between targets and networkʹs output data shows that neural networks are suitable tools for predicting the percentage of lithology and fluidʹs volume, consuming less time and reducing cos