مدل‌سازي پهنه‌هاي اكتشاف نفتي با شبكه عصبي پرسپترون چند لايه (MLP) در GIS

Spatial modeling of oil exploration areas using multilayer perceptron neural network (MLP) in GIS

فرآیند اكتشاف منابع هیدروكربنی به‌عنوان فرآیندی بسیار پیچیده و پرهزینه می‌باشد. در این فرآیند فاكتورهای متعدد زمین‌شناسی، ژئوشیمی و ژئوفیزیك تهیه و باهم تلفیق می‌شوند. طراحی بهترین مسیر برای برداشت داده‌های لرزه‌نگاری و همچنین تعیین بهترین محل برای حفر چاه‌های اكتشافی از اهمیت ویژه‌ایی برخوردار است، زیرا نتیجه تعیین نادرست یا بی‌دقت این مكان‌ها، صرف هزینه و زمان زیاد در طول عملیات می‌باشد. این تحقیق با هدف تعیین مناطق محتمل نفت و گاز با مقیاس 1:25000 اهواز با 20 میدان نفتی به منظور كاهش زمان و هزینه اكتشاف و تولید می‌باشد. 17 نقشه‌ فاكتور شامل: كمترین و بیشترین مقدار(غنای كربن آلی، بازده پتانسیل برای تولید هیدروكربن، پیك Tmax، اندیس تولید، اندیس اكسیژن، اندیس هیدروژن) و داده‌های مجاورت به مناطق دارای آنومالی باقی‌مانده ثقل بوگه بالا، محور طاقدیس‌ها و گسل‌ها، نقشه‌ ناهمواری و انحنا حاصل از منحنی‌های زیر سطحی سازند آسماری توسط توابع سیستم اطلاعات جغرافیایی ایجاد شدند. برای تركیب نقشه‌های فاكتور، از مدل شبكه عصبی پرسپترون MLP كه از روش‌های داده مبنا است، استفاده شد. نتایج حاصل از مدل‌سازی با داده‌های آزمون نشان داد كه شبكه عصبی 5×10×17، با شاخص كاپای 9079/0، همبستگی 8948/0 و RMSE برابر با 0267/0 توانسته است بهتر از مدل‌های دیگر، خروجی‌ها را تولید كرده و با دقت بالایی میدان‌های نفتی را پیش‌بینی كند هرچند كه میادین سوفلا و سپهر شناسایی نشده و برخی قسمت‌ها نیز به اشتباه، جزء میادین نفتی طبقه‌بندی شده‌اند.  

The exploration of hydrocarbon resources as a process is very complex and costly. In this process, multiple factors of geology, geochemistry and geophysics are prepared and combined together. Designing the best route to take seismic data and determine the best location for drilling exploration wells is extremely important because improper or careless determination of the location, time consuming and expensive during the operation. The aim of this study was to identify possible areas for oil and gas in the map of 1: 250,000 Ahvaz with 20 oil fields using multilayer perceptron neural network (MLP) and geographic information systems. For this purpose, 17 maps of factors including: the lowest and highest values (total organic carbon, potential for the production of hydrocarbons, peak Tmax, the production index, the oxygen index, the hydrogen index) and the proximity to areas of an high Bouguer gravity anomaly, an anticline axis and faults, map of the topography and the curvature of the yield curve Asmari subsurface were created by GIS functions. For the combined factor map, the multilayer perceptron neural network (MLP) that is data-driven methods was used. The validation results showed that the neural network 17×10×5 is better than the other models with a R = 0.8948 ,RMSE=0.0267 and the Kappa=9079. Besides, the neural network 17×10×5 is able to accurately predict the oil fields. On the other hands, Some fields could not be identified, and also, some areas were classified oil fields mistakenly.