فهرست نشریات علمی دسترسی آزاد ایران

تراوایی یا نفوذپذیری، یکی از خصوصیات مهم مخازن نفت و گاز است که پیش­ بینی آن دشوار می­باشد. در حال حاضر از مدل ­های تجربی و رگرسیونی برای پیش ­بینی تراوایی استفاده می ­شود، از سوی دیگر افزایش دقت در پیش ­بینی تراوایی جهت نقاطی که فاقد نمونه مغزه است از اهمیت ویژه­ای در تحلیل رفتار مخزن برخوردار است. در چند وقت اخیر، به دلیل قابلیت پیش ­بینی بهتر، از الگوریتم­ های یادگیری ماشین برای پیش ­بینی تراوایی استفاده‌شده است. در این مطالعه، مدل یادگیری ماشین گروهی جدیدی برای پیش ­بینی تراوایی در مخازن نفت و گاز معرفی‌شده است. در این روش، داده ­های ورودی با استفاده از اطلاعات لیتولوژی لاگ­ ها برچسب­ گذاری شده و به تعدادی از خوشه­ ها تفکیک می­ شوند و هر خوشه توسط الگوریتم یادگیری ماشین مدل­ سازی شد. برخلاف مطالعات قبلی که به‌صورت مستقل روی مدل­ ها کار می­ کردند در اینجا ما ضمن طراحی یک مدل گروهی با استفاده از الگوریتم­ های رگرسیون درخت تصمیم افزوده (ETR)، رگرسیون درخت تصمیم (DTR) و رگرسیون گرادیان تقویت‌شده (GBR) و داده­ های پتروفیزیکی، توانستیم صحت و دقت پیش ­بینی همچنین خطای میانگین مربعات را به طرز چشم ­گیری بهبود ببخشیم و تراوایی را با دقت 99.82 درصد پیش­ بینی کنیم. نتایج نشان داد که مدل ­های گروهی در بهبود دقت پیش­بینی تراوایی در مقایسه با مدل ­های انفرادی تأثیر فراوانی دارند و همچنین تفکیک نمونه ­ها بر اساس اطلاعات لیتوژی، دلیلی بر بهینه نمودن تخمین تراوایی نسبت به تحقیقات گذشته بود.