فهرست نشریات علمی دسترسی آزاد ایران

تخمین تخلخل در مخازن کربناته به‌دلیل سیستم حفرات پیچیده و ناهمگنی مشکل و چالش‌برانگیز است. تخلخل بیانگر ظرفیت ذخیره سیال در مخزن است و به‌منظور برآورد میزان ذخایر و ظرفیت تولید حائز اهمیت است؛ لذا تخمین دقیق و صحیح تخلخل سنگ مخزن امری ضروری است. روش‌های متداول برای اندازه‌گیری تخلخل مانند آنالیز مغزه و نمودارهای چاه‌پیمایی اغلب گران و زمان‌بر هستند. روش‌ها و الگوریتم‌های یادگیری عمیق با استخراج الگوهای پیچیده از مجموعه داده‌های بزرگ و تجزیه و تحلیل داده‌های چاه می‌توانند تخمین دقیق‌تری را از تخلخل ارائه نمایند. در این مطالعه، یک رویکرد جدید با استفاده از یک مدل شبکه عصبی عمیق ترکیبی برای تخمین تخلخل بر‌اساس داده‌های چاه ارائه شده است. داده‌ها از یک مخزن کربناته در جنوب‌غربی ایران جمع‌آوری شدند و شامل داده‌های حاصل از آنالیز مغزه و نمودارهای چاه‌پیمایی (نمودار گاما، نوترون، چگالی، صوتی و مقاومت) می‌باشند. تعداد چاه‌ها 2 حلقه و تعداد مغزه‌ها 236 عدد است. مجموعه داده‌ها شامل ۲۰۰۰ نقطه داده‌ای می‌باشد که به سه بخش آموزشی، ارزیابی و اعتبارسنجی با نسبت‌های ۷۰٪، ۱۵٪ و ۱۵٪ در چاه اول تقسیم شدند و برای ارزیابی عملکرد مدل از چاه شماره دو استفاده شده است. رویکرد این مطالعه شامل جمع‌آوری و آماده‌سازی داده‌ها، طراحی معماری شبکه عصبی ترکیبی، آموزش، بهینه‌سازی و ارزیابی مدل است. برای اعتبارسنجی مدل ترکیبی شبکه عصبی عمیق ساخته شده، از داده‌های مغزه استفاده شده است. مقدار ضریب تعیین برای مدل شبکه عصبی عمیق ترکیبی با مقدار ۹۸/۰ نشان می‌دهد، این مدل دقت بسیار بالایی در پیش‌بینی تخلخل دارد. مقایسه تخلخل پیش‌بینی شده توسط مدل یادگیری عمیق ترکیبی نشان می‌دهد که عملکرد این مدل دقیق‌تر از مدل پرسپترون چند لایه بوده است.