Abstract
در تعیین نقاط بهینه حفاریهای تولیدی مهم است که زونهای با کیفیت مخزنی مشخص باشند. برای این منظور از دادههای ژئوشیمیایی که معمولا تعداد آنها کم است استفاده میکنند. این گسستگی دادهها باعث ایجاد شکاف اطلاعاتی میشود. چنانچه از دادههایی با پیوستگی بیشتر استفاده کرد طوریکه دقت مدلسازی مناسب باشد، حفاریها با شانس بیشتری انجام میشود. در این مطالعه هدف بر این است تا کیفیت رخسارههای گازی با استفاده از دو روش ناپارامتری آماری (پارزن) و تکنیک یادگیری عمیق با نظارت (شبکه عصبی بازگشتی حافظه کوتاه مدت بلند LSTM) و به کمک دادههای نگار چاه و لرزهای مدل شوند. همچنین در نظر است شبکه طراحی شده توسط دو روش بهینهسازی ابتکاری الگوریتم رقابت استعماری و الگوریتم نهنگ بهینهسازی شود. نتایج حاصل از این مطالعه نشان میدهند که هر دو روش نتایج خوبی در طبقهبندی دارند طوری که مدلسازی کیفیت رخسارههای گازی با استفاده از تکنیک یادگیری عمیق با نظارت با دقت بیشتری (%87) نسبت به روش ناپارامتری پارزن (%83) انجام گرفته است. همچنین با اعمال الگوریتمهای بهینهسازی دقت شبکه بیشتر شده است. بهترین دقت مربوط به شبکه LSTM بهینه شده با الگوریتم رقابت استعماری (%90) میباشد. گزارشات و دادههای ژئوشیمیایی مغزههای چاه، اعتبارسنجی بالای این مدل سازیها را نشان میدهند.
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have