تخمين سرعت امواج صوتي با استفاده از روش هاي هوشمند و روش خوشه بندي گراف پايه با توان تفكيك چندگانه: مطالعه موردي دريكي از ميادين جنوب ايران

Sonic wave velocity estimation using intelligent system and multi resolution graph base clustering: A case study from one of Iranian south field

سرعت موج برشي (Vs) و تراكمي (Vp)دو پارامتر اساسي هستند كه در اكثر مطالعات پتروفيزيكي، ژيوفيزيكي و ژيومكانيكي كاربردهاي عمده اي دارند. اين دو پارامتر را مي توان از طريق ابزار تصويرگر دو قطبي صوتي (Dipole sonic imaging tool) بدست آورد، اما متاسفانه به دليل هزينه بالاي اين ابزار، اطلاعات مربوط به سرعت موج برشي و تراكمي تنها در تعداد محدودي از چاه ها موجود است. بنابراين پيش بيني سرعت امواج به صورت غير مستقيم از روي ديگر نمودارهاي متداول كه همبستگي خوبي با اين پارامترها دارند، اهميت بسزايي دارد. درگذشته از روش‌هاي تجربي و تحليل‌هاي رگرسيوني براي تخمين سرعت امواج استفاده مي‌شد، در حالي كه امروزه از سيستم هاي هوشمند كه عملكرد بهتري نسبت به اين روش ها دارند، استفاده مي شود. مهم‌ترين ابزار براي اين كار، سيستم هاي هوشمند شامل شبكه هوش مصنوعي، منطق فازي، و خوشه بندي گراف پايه با توان تفكيك چندگانه (Multi resolution graph base clustering) مي باشد. در اين مطالعه 1321 نقطه داده از سازند كنگان و دالان كه داراي سرعت هاي برشي و تراكمي بودند، استفاده شده است. اين داده ها به دو گروه تقسيم مي شوند: 995 نقطه داده براي ساخت سيستم هاي هوشمند و 326 نقطه داده براي تست مدل استفاده شد. نتايج نشان داد كه علي رغم اختلاف در مفهوم، همه تكنيك هاي هوشمند در برآورد سرعت امواج عملكرد قابل قبولي داشته‌اند. از طرفي، روش خوشه بندي گراف پايه با توان تفكيك چندگانه با توجه به تفكيك داده به خوشه هايي بر اساس ميزان شباهت و تفاوت آن‌ها، تخمين دقيق تري از ديگر روش ها دارد. با استفاده از روش خوشه-بندي، سرعت امواج تراكمي و برشي با ضريب همبستگي برابر 9505/0و9407/. تخمين زده شد. از آنجايي كه در اين فرآيند، از عمق داده ها و ليتولوژي به عنوان ورودي استفاده نشده است، مي توان از اين روش در چاه ها و ميادين ديگر نيز استفاده نمود.

Compressional and shear velocity are two fundamental parameters, which have many applications in petrophysical, geophysical, and geomechanical operations. These two parameters can be obtained using Dipole Sonic Imaging tool (DSI), but unfortunately this tool is run just in few wells of a field. Therefore it is important to predict compressional and shear velocity indirectly from the other conventional well logs that have good correlation with these parameters in wells without these logs. Classical methods to predict the mentioned parameters are utilizing correlations and regression analysis. However, the best tool is intelligent systems including Artificial Neural Network, Fuzzy Logic, Adaptive Neuro Fuzzy Inference System, and Multi resolution graph base clustering for performing such tasks. In this paper 1321 data points from Kangan and Dalan formations which have compressional and shear velocity are used. These data are divided into two groups: 995 and 326 data points were used for construction of intelligent systems and model testing, respectively. The results showed that despite differences in concept, all of the intelligent techniques were successful for estimation of compressional and shear velocities. The Multi resolution graph base clustering. The method had the best performance among the others due to precise clustering the data points. Using this method, the compressional and shear velocity were correlated with correlation factor of 0.9505 and 0.9407, respectively. The developed model does not incorporate depth or lithological data as a part of the inputs to the network. This means that utilized methodology is applicable to any field.