فهرست نشریات علمی دسترسی آزاد ایران

نفوذپذیری نسبی یکی از پارامترهای پتروفیزیکی کلیدی است که رفتار جریان چندفازی در محیط متخلخل را کنترل کرده و تأثیر قابل‌توجهی بر دقت شبیه‌سازی مخزن، پیش‌بینی برداشت و برنامه‌ریزی ازدیاد برداشت دارد. روش‌های آزمایشگاهی تعیین این پارامتر دقیق ولی زمان‌بر و پرهزینه‌اند. این پژوهش با بهره‌گیری از تکنیک‌های یادگیری ماشین و داده‌های مغزه‌ای از یک مخزن در جنوب‌غرب ایران، به برآورد نفوذپذیری نسبی نفت و آب پرداخته است. شانزده نمونه مغزه با هفت ویژگی ورودی برای آموزش چهار مدل Extra Trees، K-Nearest Neighbors، Categorical Boosting و Extreme Gradient Boosting استفاده شد. مدل‌ها با روش Bayesian Hyperparameter Tuning بهینه و با شاخص‌های R²، RMSE و MAE ارزیابی شدند. در برآورد نفوذپذیری نسبی آب، مدل Extra Trees بهترین عملکرد را با R² = 0.9974، RMSE = 0.0045 و MAE = 0.0007 نشان داد. مدل KNN نیز به‌ویژه در بازه نفوذپذیری 0.1 تا 0.2 عملکرد مطلوبی داشت. در برآورد نفوذپذیری نسبی نفت، مدل KNN دقیق‌ترین نتایج را با R² = 0.9973، RMSE = 0.0113 و MAE = 0.0024 ارائه کرد، در حالی که مدل Extra Trees در محدوده‌های بالای نفوذپذیری ضعیف‌تر عمل کرد. تحلیل حساسیت SHAP نشان داد اشباع آب مؤثرترین عامل در هر دو مدل است؛ نفوذپذیری نفت در اشباع آب اولیه برای مدل آب و ویسکوزیته نفت برای مدل نفت اهمیت بالایی دارند. نتایج نشان می‌دهد یادگیری ماشین روشی توانمند و کارآمد برای جایگزینی آزمون‌های آزمایشگاهی در برآورد نفوذپذیری نسبی است و انتخاب مدل به نوع سیال هدف وابسته بوده و می‌تواند موجب بهبود شبیه‌سازی، کاهش هزینه‌ها و مدیریت بهینه مخزن شود.