معرفی دو روش مبتنی بر داده برای تعیین کیفیت رخساره‌های گازی در غرب استرالیا

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 شود طوری که 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 کوتاه‌مدت بلند LSTM) و به کمک داده‌های نگار چاه و لرزه‌ای مدل شوند. همچنین در نظر است شبکه طراحی شده به وسیله دو روش بهینه‌سازی ابتکاری الگوریتم رقابت استعماری و الگوریتم نهنگ بهینه‌سازی ‌شود. نتایج حاصل از این مطالعه نشان می‌دهد 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%) است. گزارش‌ها و داده‌های ژئوشیمیایی مغزه‌های چاه، اعتبارسنجی بالای این مدل‌سازی‌ها را نشان می‌دهد.

Keywords

• کیفیت رخساره گازی
• شبکه حافظه کوتاه مدت بلند
• پارزن
• الگوریتم رقابت استعماری
• الگوریتم نهنگ