برآورد تخلخل سازند گازي كنگان در ميدان پارس جنوبي با استفاده از ماشين كميته اي متشكل از شبكه هاي عصبي مصنوعي منفرد آموزش‌ديده به روش مرتب سازي

Porosity Assessment of Kangan Gas Formation in South Pars Hydrocarbon Field by Application of Committee Machine Composed of Single Artificial Neural Networks Trained using Regularization Method

براي به دست آوردن نتايج دقيق تر از به كارگيري روش شبكه هاي عصبي مصنوعي، به جاي انتخاب نتايج بهترين شبكه حاصل از فرايند سعي و خطا، نتايج چندين شبكه به روشي مناسب با هم تركيب شده است تا شايد سامانه چند شبكه اي حاصل، كه از آن با عنوان ماشين كميته اي تعبير مي شود، خطا را كاهش و درنتيجه، دقت را افزايش دهد. در اين پژوهش، براي برآورد تخلخل موثر سنگ مخزن گازي كنگان در ميدان عظيم هيدروكربني پارس جنوبي، از تركيب آنسامبلي شبكه هاي عصبي مصنوعي كه نوعي ماشين كميته اي با ساختار موازي است، استفاده شده است. به اين منظور، داده هاي نگارهاي صوتي، چگالي، پرتو گاما و تخلخل نوتروني به عنوان ورودي شبكه ها و تخلخل موثر به عنوان خروجي شبكه ها از 4 چاه اين ميدان در بازه عمقي سازند كنگان انتخاب شدند. شبكه هاي عصبي پس انتشار خطا با ساختارهاي متفاوت به روش مرتب سازي آموزش داده شد و توان تعميم آنها ارزيابي شد. آنگاه شبكه‌هايي كه بهترين نتايج، يعني كمترين ميانگين مربعات خطاي برآورد در مرحله آزمون را داشتند، براي ساخت تركيب هاي آنسامبلي انتخاب شدند. براي تعيين ضرايب شبكه هاي جز تركيب هاي آنسامبلي خطي، سه روش ميانگين گيري ساده، روش تركيب خطي بهينه هاشم و روش غيرتحليلي تركيب خطي بهينه با استفاده از الگوريتم ژنتيك به كار برده شده و نتايج آنها با هم مقايسه شد. از مقايسه نتايج تركيب ها با بهترين شبكه عصبي مصنوعي منفرد حاصل، مشخص شد كه بهترين تركيب آنسامبلي حاصل، تركيبي چهار شبكه اي است كه ضرايب شبكه هاي جز ِ آن با استفاده از الگوريتم ژنتيك تعيين شده است. اين تركيب توانسته ميانگين مربعات خطاي برآورد الگوهاي آموزش و آزمون را به ترتيب 6/3 درصد و 2/11 درصد نسبت به بهترين شبكه عصبي منفرد كاهش دهد.

In order to obtain more accurate results from application of the method of artificial neural networks, instead of selection of the best network determined by trial and error process, we suitably combine the results of several networks that is called committee machine, to reduce the error, and thus, increasing the accuracy of the output results. In this research, ensemble combination of single artificial neural networks has been used in order to estimate the effective porosity of Kangan gas reservoir rock in South Pars hydrocarbon field. To achieve this goal, well logging data of 4 wells in the area at the depth interval corresponding to Kangan formation were used. Acoustic, density, gamma ray and neutron porosity well log data were assigned as the input of the networks while the effective porosity data were considered as the output of the networks. Back- propagation single neural networks having different structures were trained using regularization method and their results were assessed. Then, the networks with the best results, i.e. contained minimum mean of squares of errors in the test step, were selected for making ensemble combinations. To determine the weighting coefficients of the networks in the linear ensemble combinations, we applied three methods of simple averaging, Hashem’s optimal linear combination and non-analytical optimal linear combination employing genetic algorithm, and their results were compared. The best ensemble combination, in which we had the maximum reduction in mean of squares of errors of the test step compared to the best single neural network, was an optimal linear four-network combination obtained by using genetic algorithm optimization method. This best ensemble combination, compared to the best single neural network, reduced the mean of squares of errors in the training and test steps 3.6% and 11.2%, respectively.