(مدل‌سازي سه بعدي پهنه‌هاي هرزروي گل حفاري با استفاده از الگوريتم خوشه‌بندي فازي گستافسون-كسل تعميم يافته (مطالعه موردي : يكي از ميادين نفتي جنوب غربي ايران_(

Three-dimensional Modeling of Mud Loss Zones Using the Improved Gustafson-Kessel Fuzzy Clustering Algorithm (Case Study: One of the South-western Oil Fields)

عوامل بسياري در هرزروي سيال حفاري موثر هستند كه مدل‌سازي همه آنها كار دشواري است. در اين پژوهش، الگوريتم پهنه‌بندي فازي با توجه به شرايط هرزروي گل حفاري و با استفاده از الگوريتم خوشه‌بندي فازي گوستافسون-كسل بهبود يافته ارائه شده است، كه قابليت مدل‌سازي فرآيندهاي پيچيده و تلفيق لايه‌هاي اطلاعاتي مختلف را داراست. براي ارزيابي الگوريتم، از لايه‌هاي اطلاعاتي مختلف از جمله هرزروي سيال حفاري، وزن گل حفاري و پهنه‌بندي زمين‌شناسي (به همراه موقعيت فضايي ويژگي‌هاي مورد بررسي) استفاده و چهار تركيب از لايه‌هاي اطلاعاتي مختلف در نظر گرفته شد. به منظور تعيين تعداد بهينه پهنه‌ها، شاخص‌هاي مختلف اعتبارسنجي خوشه‌بندي شامل ضريب افراز (PC)، آنتروپي افراز (CE)، شاخص افراز (SC) و شاخص ژي و بني (XB) به صورت همزمان مورد بررسي قرار گرفت. بهترين تركيب اطلاعاتي، تلفيقي از هرزوي گل حفاري، پهنه‌بندي زمين‌شناسي با توجه به موقعيت نمونه‌ها مشخص شد، تعداد بهينه پهنه‌ها، برابر 12 پهنه و مقدار توان فازي بهينه برابر 1/1 تعيين شد. در الگوريتم خوشه‌بندي گوستافسون-كسل بهبود يافته، پارامتر وزني براي مقياس سازي بين كواريانس تمام داده‌ها و داخل خوشه‌ها به كار برده شده است و مقدار بهينه آن 0/4 به دست آمد. در نهايت، پهنه‌بندي سه بعدي فازي در ميدان مورد مطالعه انجام شد و با توجه روش تجزيه و تحليل تمايز فيشر، پهنه‌بندي به دست آمده از روش خوشه‌بندي از عملكرد بهتري نسبت به روش پهنه‌بندي زمين شناسي (شاخص فيشر 0/088 در مقابل 0/011) به منظور مدل‌سازي هرزروي برخوردار است.

Several factors can be affected the lost circulation, which the modeling of all items is complex. In this research, the fuzzy zoning is presented according to the fluid mud loss and using the improved Gustafson-Kessel fuzzy clustering algorithm. It is capable to model complex processes and integrate the various layers of information. To evaluate the algorithm, different information layers including circulation losses, geological zoning and drilling mud weight (with respect to the spatial location of the studied features) were utilized and four combinations of different information layers were considered. To determine the optimal number of zones, we employ the various fuzzy validity indices comprising in comparison with Partition Coefficient (PC), Classification (Partition) Entropy (CE), Partition Index (SC), and Xie and Beni›s Index (XB). The best combination of information layers was determined consisting of mud loss, and geological zoning regarding to the coordinate of the samples, the optimal number of zones was computed as 12 zones and the optimal fuzzy exponent was obtained about 1.1. In the improved Gustafson-Kessel fuzzy clustering algorithm, weighting factor was employed for scaling between the covariance of all data and within clusters, and the optimal value was determined as 0.4. Finally, three-dimensional fuzzy zoning in the studied field was executed and the Fisher›s discriminant analysis was approved that the obtained zoning from clustering method was better performance than the common geological zoning (Fisher index 0.088 vs. 0.011) for modeling and zoning the mud loss.