پيش بيني درصد اشباع آب سازند با استفاده از داده هاي پتروفيزيكي با تمركز روي گوناگوني خبره ها

The Prediction of Formation Water Saturation byUtilizing the Petrophysical Data with Focus on the Expert’s Diversity

پيش?بيني پارامترهاي پتروفيزيكي مخازن با استفاده از تكنيك يادگيري دسته‌جمعي، توجه بسياري از محققين را به خود جلب نموده است. در تمامي فعاليت?هاي انجام شده با روش مذكور، انتخاب خبره?هاي مجموعه يادگيري، فقط بر اساس عملكرد و دقت نتايج خروجي آن‌ها انجام گرديده است. لذا، يكي از نكاتي كه در استفاده از اين روش تاكنون به آن توجه نشده،گوناگوني خبره?هاي تشكيل‌دهنده مجموعه يادگيري فوق است كه تا حد زيادي در بهبود و موفقيت نتايج پيش‌بيني موثر است. از اين رو، هدف اين مقاله اهتمام به اين پارامتر و تمركز روي آن در انتخاب اعضاي مجموعه يادگيري دسته جمعي است. در اين راستا، مجموعه?اي متشكل از تعداد 100 خبره از نوع شبكه عصبي مصنوعي با روش يادگيري LM و با دستكاري در داده?هاي ورودي، تشكيل شده است. سپس چهار روش اندازه?گيري گوناگوني خبره?ها معرفي و با استفاده از آنها، خبره?هاي با گوناگوني بالاتر جهت عضويت درمجموعه هرس شده نهايي انتخاب گرديدند. نتايج حاصل از اِعمال روش پيشنهادي، روي داده?هاي چاه‌پيمايي جهت پيش‌بيني اشباع آب مخزنِ تحت مطالعه، نشان?دهنده موفقيت عملكرد آن در مقايسه با مجموعه يادگيري اوليه است.

Prediction Of Petrophysical Reservoir Parameters Based On Ensemble Learning Or Committee Machine Methods, Has Attracted The Attention Of Many Researchers. In Almost All Studies Performed According To The Mentioned Methods, The Choice Of Ensemble Members Has Been Only According To The Performance And Accuracy Of The Individual Output Components. Therefore, The Diversity Of Individual Members In Constructing The Ensemble Learning Sets Is Ignored. In This Paper, We Have Created 100 Individual Members Based On Artificial Neural Network With LM Learning Algorithm By Manipulating In The Input Data. Furthermore, We Have Used Four Diversity Measuring Method To Select More Diverse Members From The Initial Ensemble. This Proposed Method Has Applied To Predict Water Saturation By Utilizing Conventional Well Log Data. The Implemented Results Show That The Proposed Method Can Predict The Target More Accurate Than The Initial Ensemble