تخمين تخلخل يك مخزن هيدروكربوري با استفاده از سيستم‌هاي چند شبكه‌اي

A Porosity Estimation in a Hydrocarbon Reservoir Using Multiple Networks Systems

در اين مقاله سيستم‌هاي چندشبكه‌اي به منظور كاهش خطا و افزايش دقت نتايج حاصل از روش شبكه عصبي مصنوعي پيشنهاد شده است. در اين سيستم‌ها نتايج چندين شبكه كه به طور منفرد و مجزا آموزش ديده‌اند، به روشي مناسب با هم تركيب مي‌شود. در اين مطالعه تخلخل موثر يكي از مخازن هيدروكربوري ميدان عظيم پارس جنوبي با استفاده از سيستم‌هاي چندشبكه‌اي برآورد شده است. از شبكه‌هاي عصبي مصنوعي پس انتشار خطا كه به روش اعتبارسنجي همزمان آموزش ديده‌اند، به عنوان اجزاي سيستم‌هاي چندشبكه‌اي استفاده شد. داده نگارهاي چاه از 4 چاه اين ميدان در بازه عمقي سازند كنگان مورد استفاده قرار گرفت. نگارهاي صوتي، چگالي، اشعه گاما و تخلخل نوتروني به عنوان ورودي شبكه‌ها و تخلخل موثر به عنوان خروجي شبكه‌ها انتخاب گرديد. روش تركيب آنسامبلي شبكه‌ها كه داراي ساختاري موازي است، براي تشكيل سيستم‌هاي چند شبكه‌اي مورد استفاده قرار گرفت. نتايج نشان مي‌دهد كه تركيب‌هاي آنسامبلي مناسب مي‌تواند خروجي شبكه‌هاي عصبي مصنوعي منفرد آموزش ديده به روش اعتبارسنجي همزمان را بهبود بخشد. بهترين تركيب آنسامبلي حاصل در اين تحقيق، تركيبي سه‌ شبكه‌اي است كه ميانگين مربعات خطاي تخمين تخلخل الگوهاي آموزش و آزمون را نسبت به بهترين شبكه عصبي مصنوعي منفرد به‌ترتيب 7/41 % و 5/21 % كاهش داده است.

Multiple networks systems have been proposed for the purpose of decreasing the error and increasing the accuracy of the results of artificial neural network (ANN) method. In these systems, the results of several single ANN’s, which are trained solely and separately, are combined using a suitable method. In this work, the effective porosity in one of hydrocarbon reservoirs of giant Southern Pars field is estimated using multiple networks systems. Single ANN’s trained using early stopping back propagation (BP) method are used as the components of multiple networks systems. Well logging data acquired from 4 wells in the field at the depth interval corresponding to Kangan formation are used. Acoustic, density, gamma ray, and neutron porosity well log data are considered as the inputs of the networks and the effective porosity data are assigned as the output of the networks. The ensemble combination of networks, which have a parallel structure, are applied for making multiple networks systems. The results show that suitable ensemble combinations improve the results of the ANN’s trained using early stopping BP method. The best obtained ensemble combination is a three-network combination compared to the best obtained single ANN, which reduces the mean of squares of errors (MSE) of porosity prediction in the training and test steps by 14.7% and 12.5% respectively.