بررسي كارايي شبكه عصبي در پيش‌‌بيني الكتروفاسيس‌‌هاي مدل SOM ،AHC و MRGC

Evaluate the Performance of ANN in Predictingof Electro-Facies )Estimated By SOM, AHC and MRGC Models(

آناليز الكتروفاسيس‌‌ها از ضروريات شناسايي رسوبات مخزني است. اما تفاوت در ابعاد نمودارها نسبت به ابعاد زمين‌‌شناسي سبب پيچيده شدن شناسايي الكتروفاسيس‌‌ها شده است. حتي با داشتن ابزار مشاهده‌‌اي دقيق، كلاسه‌‌بندي بيش از سه بُعد به مهارت و زمان زيادي نياز دارد. اگرچه امروزه مدل‌‌هاي آماري نظير روش‌‌هاي 1AHC، 2SOM و 3MRGC نسبت به روش‌‌هاي دومرحله‌‌اي بسيار سريع‌‌تر و دقيق‌‌تر عمل مي‌‌كنند اما نياز به اطلاعات تخلخل و تراوايي دارند كه اين امر بسيار وقت‌‌گير و هزينه‌‌بر است. بنابراين بايد با استفاده از شبكه‌‌هاي عصبي مصنوعي در چاه‌‌هايي كه اطلاعات كامل زمين‌‌شناسي و پتروفيزيكي آنها موجود است، ارتباطي بين نمودارهاي چاه‌‌نگاري و الكتروفاسيس‌‌ها يافته و اين ارتباط را در حافظه مدل ايجاد كرد. در قسمت‌‌هايي كه اطلاعات مغزه يا اطلاعات پتروفيزيكي موجود نيست با استفاده از نمودارهاي چاه نگاري و رابطه ايجاد شده در حافظه مدل مي‌‌توان الكتروفاسيس‌‌ها را پيش‌‌بيني كرد. در اين تحقيق از شبكه‌‌هاي عصبي مصنوعي استفاده شده است. براي اين منظور از داده‌‌هاي چند چاه در يكي از ميادين ايران استفاده شده و الكتروفاسيس‌‌ها به سه روش AHC ،SOM و MRGC مشخص شدند. با توجه به اطلاعات مغزه و فسيل شناسي، هشت گروه شناسايي گرديد. داده‌‌ها به دو دسته آموزش و آزمون تقسيم شده و در مرحله بعد نمودارهاي چاه‌‌نگاري و درصد حجمي ماتريكس به‌‌عنوان ورودي به شبكه عصبي اعمال و الكتروفاسيس مدلSOM پيش‌‌بيني شد. در نهايت به‌‌كمك شبكه‌‌هاي عصبي مصنوعي و با استفاده از نمودارهاي صوتي، نوترون، چگالي و گاماي طبيعي، پيش‌‌بيني الكتروفاسيس‌‌ها با درصد خطاي نسبي 7/4 درصد انجام گرفت.

Electro Facies Analysis Is Important For Reservoir Characterization, But Is Made Particularly Difficult By The Problem Of "Dimensionality": Log Space Is Not Equivalent To Geological Space, And Two Points That Are Close To Each Other In Log Space May Not Always Be Similar Geologically. Even With Good Visualization Tools, Performing Classic Method (Two-Step) Manually In High-Dimensional ( > 3) Space Is Still Difficult, Slow, Somewhat Subjective, And Requires A Skill Or Expertise That Is Not Always Readily Available. Recently Some Novel Methods Are Found Such As: Multi Regression Graph-Based Clustering (MRGC), Agglomerative Hierarchical Clustering (AHC) And Self-Organizing Map (SOM). In Comparison With The Existing Two-Step Tool, New Models Have Been Found To Make The Work Much Faster And Easier But They Need Porosity And Permeability For Training That Require Skill And Time. In This Study A Neural Network-Based Electro-Facies Determination Technique Is Presented And Finally Electro-Facies That Evaluated In New Models Were Determined Very Fast By Using Some Logs Without Any Computing Of Porosity Or Shale Volume Or Etc