حکیمی نژاد, حمید, میرزارضایی, میترا, نجار اعرابی, بابک. (1396). پیش‌بینی تراوایی با استفاده از روشهای عدم قطعیت : سیستم فازی نوع- دو. مجله ژئوفیزیک ایران, (), -.
حمید حکیمی نژاد; میترا میرزارضایی; بابک نجار اعرابی. "پیش‌بینی تراوایی با استفاده از روشهای عدم قطعیت : سیستم فازی نوع- دو". مجله ژئوفیزیک ایران, , , 1396, -.
حکیمی نژاد, حمید, میرزارضایی, میترا, نجار اعرابی, بابک. (1396). 'پیش‌بینی تراوایی با استفاده از روشهای عدم قطعیت : سیستم فازی نوع- دو', مجله ژئوفیزیک ایران, (), pp. -.
حکیمی نژاد, حمید, میرزارضایی, میترا, نجار اعرابی, بابک. پیش‌بینی تراوایی با استفاده از روشهای عدم قطعیت : سیستم فازی نوع- دو. مجله ژئوفیزیک ایران, 1396; (): -.
پیش‌بینی تراوایی با استفاده از روشهای عدم قطعیت : سیستم فازی نوع- دو
1گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد تهران مرکزی، تهران، ایران
2گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه آزاد اسلامی- واحد علوم و تحقیقات، تهران، ایران
3دانشکده برق و کامپیوتر ، دانشگاه تهران، تهران، ایران
چکیده
تراوایی یا نفوذپذیری خاصیتی از سنگ مخزن است که به جریان سیال از سنگ مخزن می پردازد و از فاکتورهای مهم در تولید نفت و گاز از مخزن به حساب می‌آید. این پارامتر در شرایط آزمایشگاهی از طریق مغزه‌گیری بدست می‌آید که روشی پر هزینه و زمانبر است و همپنین برای همه چاههای موجود در یک میدان نفتی امکان پذیر نمی‌باشد. امروزه این پارامتر را با استفاده از داده‌های لاگ پتروفیزیکی به روشهای آماری و هوشمند محاسبه می‌کنند. در این مقاله از الگوریتم‌های هوشمند جهت پیش بینی تراوایی با استفاده از لاگهای پتروفیزیکی استفاده شده است. این پژوهش بر روی داده های چهار چاه کنگان و دالان واقع در میدان پارس جنوبی انجام شده است. از مجموع هشت ویژگی استخراج شده از هر چاه، با استفاده از روش انتخاب ویژگی مبتنی بر همبستگی، چهار ویژگی موثر در هر چاه انتخاب شدند. سپس از روشهای رگرسیون، شبکه عصبی MLP، شبکه عصبی RBF، مدل درخت خطی محلی (LOLIMOT)، سیستم فازی نوع یک، و سیستم فازی نوع دو برای پیش‌بینی تراوایی استفاده شد. نتایج نشان داد که با توجه به وجود عدم قطعیت در پارامترهای پتروفیزیکی و تراوایی، سیستم فازی نوع دو عدم قطعیتها را بهتر پوشش می‌دهد. این روش در حالت پایه، تراوایی را با دقت 0.9481 و ریشه دوم میانگین مربعات خطای 0.3060 پیش بینی کرد. با استفاده از روش ترکیبی GSA-GA، تعداد قواعد فازی و نیز با استفاده از روش خوشه بندی K-means، توابع عضویت فازی بهبود یافت و این بهبودها منجر به افزایش دقت پیش بینی تراوایی با ضریب تعیین 0.9768 و کاهش ریشه دوم میانگین مربعات خطا به مقدار 0.1602 شد.
1Department of computer Engineering, Islamic Azad University, Central Tehran Branch, Tehran, Iran
2department of computer Eng.,Science and Research Branch, Islamic Azad University, Tehran, Iran
3Faculty of Electrical and Computer Engineering, University of Tehran, Tehran, Iran
چکیده [English]
Permeability is a property of the reservoir rock, which deals with the flow of fluid from the reservoir and is an important factor in the production of oil and gas from the reservoir. This parameter is measured via coring and core laboratory analysis, which is an expensive and time-consuming process and also not a feasible one for all in an oil field. Nowadays, the permeability is calculated using the data of petro physical logs by means of statistical and intelligent techniques. The present research is carried out on data of four wells of Kangan and Dalan formations in South Pars Gas Field. Out of totally 8 features extracted from each well, four more effective features include DT, GR, NPHI and RHOB were selected using correlation-based feature selection tools. Then regression, multi-layer perceptron, RBF neural network, Local Linear Model Trees (LOLIMOT), type-1 and type -2 fuzzy systems were utilized for permeability prediction. Generally, data from oil and gas reservoirs contains uncertain and unstable conditions. This uncertainty in the reservoirs data includes petro-physical data, dynamic data, the data obtained from core samples and reservoir fluid properties. The most important factor of this uncertainty is the limited information obtained from underground (olatunji at al., 2015). Due to this uncertainty, type-2 fuzzy system covered the uncertainty and offers a better results than other methods, the results indicated that type-2 fuzzy systems were investigated as a best method to predict the permeability. This method, predicted permeability with an accuracy of 0.9481 and the root mean square error of 0.3060 in its primary tests without optimizing the number of linguistic variables and the rules. By improving this method using K-means clustering algorithm, to determine the number of linguistic values assigned to each parameter, we used four linguistic values in different intervals for DT and three linguistic values for other input parameters. Therefore, we have 108 values that represent the number of rules. The size of rule sets is high and for optimize the number of rules we use the gravity search algorithms and genetic algorithms combined to predict the best number of rules in the fuzzy inference system. The gravitational search algorithm converges rapidly and in the fuzzy inference system, it leads to local optimization. For this reason, the genetic algorithm is used to prevent the rapid convergence. These improvements led to an increased accuracy in prediction of permeability with a coefficient of 0.9768 and a decrease in the root mean square error to 0.1602.
کلیدواژه‌ها [English]
Predicting Reservoir rock type, permeability, Type -2 fuzzy system, Gravitational Search Algorithm, Genetic algorithm
ابتدای صفحه