تعيين واحدهاي ژئومكانيكي با استفاده از تجزيه و تحليل الگوريتم‌هاي بدون نظارت يادگيري ماشين مبتني بر نگاره هاي چاه‌هاي نفتي

در اين تحقيق از روش يادگيري بدون نظارت جهت تعيين واحد هاي ژئومكانيكي در يكي از چاههاي نفتي جنوب ايران با استفاده از لاگ هاي داده‌هاي چاه نگاري شامل نگاره گاما طبيعي(SGR) ، نگاره گاما اصلاح شده(CGR)، چگالي(RHOB)، تخلخل نوتروني(NPHI)، زمان موج برشي(DTSM) و زمان موج طولي (DTCO) استفاده شده است. برنامه نويسي مورد نياز در محيط پايتون انجام گرفته است. در اين راستا ابتدا بعد از پردازش داده هاي چاه نگاري از دو الگوريتم محبوب قدرتمند نظارت شده يادگيري ماشين ايكس جي بوست (XGBoost) و شبكه عصبي پرسپترون چند لايه (Multi-Layer Perceptron Neural Network) جهت بازيابي داده هاي گمشده استفاده گرديد. سپس از روشهاي بدون نظارت يادگيري ماشين شامل مدل k- ميانگين (K-Means Clustering)، الگوريتم خوشه بندي سلسله مراتبي(HAC)، الگوريتم خوشه بندي DBSCAN مبتني بر غلظت، و مدل آميخته گوسي (Gaussian Mixture Modelling) جهت تعيين واحد هاي ژئومكانيكي مخزني پر فشار، آهكهاي نارك لايه و غيرمخزني مسئله دار استفاده شد. در اين روش‌ها الگوريتم‌ها خود الگوهاي زير سطحي را با استفاده از داده ها شناسايي مي كنند كه ممكن است به راحتي در طول كاوش داده قابل مشاهده نباشند. معيار ارزيابي دقت روش دقت در شناسايي آهك هاي نازك لايه، سازندهاي غير مخزني مسئله دار و افق هاي پر فشار سازند هاي مورد مطالعه در نظر گرفته شد. نتايج مطالعات نشان داد كه از بين روش‌هاي مورد مطالعه روش GMM به جاي اينكه بر اساس فاصله باشد، مبتني بر توزيع است و از مرزهاي خوشه/تصميم بيضي استفاده مي كند. بنابراين، منجر به طبقه‌بندي نرم تري مي شود. علاوه براين، بخاطر قرار دادن الگوهاي احتمالاتي مختلف براي شناسايي واحد‌هاي ژئومكانيكي، روشي بهتر جهت تعيين واحدهاي مخزني پر فشار ايلام، سروك و آهكهاي نازك لايه مي باشد.