عنوان پایان‌نامه
مدلسازی ویژگی های استاتیکی مخزن یکی از میدان های نفتی به روش شبکه عصبی مبتنی بر تبدیل موجک
- رشته تحصیلی
- مهندسی معدن-اکتشاف معدن
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 2099;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 52196;کتابخانه پردیس 2 فنی شماره ثبت: 2099;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 52196
- تاریخ دفاع
- ۲۸ اردیبهشت ۱۳۹۰
- دانشجو
- مهرنوش ابراهیم زاده
- استاد راهنما
- غلامحسین نوروزی باغکمه, حسین معماریان
- چکیده
- پارامترهای سنگ مخزن نفت نظیر تخلخل نقش بسیار مهمی در برآورد میزان ذخیره هیدروکربور، ایفا می‌کنند. محاسبه‌ی خصوصیات مخزن، با استفاده از داده‌های چاه‌نگاری از زمان در دسترس قرار گرفتن ابزارهای چاه‌نگاری آغاز گشته است. با استفاده از داده‌های چاه‌نگاری و تعداد معدودی نمونه مغزه، و با به‌کارگیری روش شبکه‌های عصبی می‌توان خصوصیات مخزن را با دقت مدلسازی کرد. از شبکه‌ی عصبی همچنین می‌توان برای پیش‌بینی در نقاطی که داده‌ها ناقص است بهره برد. دانش و تئوری موجک ابزار ریاضی قدرتمندی برای طراحی شبکه‌های عصبی موجک در اختیار ما می‌گذارد. در این روش فرآیند آموزش در مقایسه با شبکه عصبی معمولی بسیار سریع‌تر بوده، بنابراین بازده محاسباتی بالاتری داشته و از طرفی به دلیل قابلیت محلی‌سازی آموزش، ناهمگنی‌های مخزن بهتر مدل شده و شبکه از خطای پایین‌تر و قابلیت تعمیم بالاتری برخوردار می‌باشد. در این پایان‌نامه تخلخل در میدان نفتی آزادگان درسازند کربناته‌ی سروک با استفاده از روش رگرسیون چندمتغیره، شبکه عصبی و شبکه عصبی موجک مورد تخمین قرار گرفته است با استفاده از داده‌های چاه‌نگارها و داده‌های تخلخل مغزه به کمک شبکه عصبی موجک، شبکه‌ای طراحی شده که قادر به تخمین تخلخل در میدان نفتی مذکور می‌باشد. همبستگی به‌دست آمده بین تخلخل حاصل از تخمین به روش رگرسیون چند متغیره و شبکه عصبی با تخلخل مغزه در مجموعه داده‌های اعتبارسنجی به ترتیب %70 و %76 بوده است. همبستگی تخمین با خوشه‌بندی داده‌ها و تخمین در هر خوشه، بهبود بخشیده شده و این ضریب به %81 ارتقا می‌یابد. ضریب همبستگی بین تخلخل حاصل از تخمین و تخلخل مغزه به روش شبکه عصبی موجک با تابع انتقال مورلت، کلاه مکزیکی و مشتق گوسین که توابع انتقال متداول در شبکه‌های موجک می‌باشند، در داده‌های اعتبارسنجی به ترتیب %79، %77 و %6/77 بوده است. بررسی حاضر نشان داد که شبکه‌های عصبی موجک به دلیل رفع کاستی‌های شبکه‌های عصبی بهترین نتایج تخمین را ارائه می‌دهد.
- Abstract
- Porosity is one of the most important properties of rocks that play a substantial role in determining the oil reservoir capacity. Only a few numbers of oil wells usually have cores data, while the petro-physical data are usually available in all wells. It’s possible to model the porosity in an oil reservoir by applying neural network method using logs and just a few core samples data. Data on the rock matrix, containing fluid of the rock and complicated mathematical relation between porosity and related parameters are not required in order to apply neural network methods for modeling porosity. Considering all of the advantages mentioned above, the neural networks methods still suffer from some drawbacks such as low convergence speed and overtraining. Also the used transfer functions in neural networks are general and there is no way to change them according to the data’s nature. The wavelet neural network (WNN) is a feed-forward network working based on finding a wavelet family in the estimation space, in order to find the complex relations between the parameters in the main signal. The wavelet neural network has the advantage of wavelet transform and also the abilities of the neural network as an estimator, simultaneously. The wavelet functions have some useful local properties in addition to common transfer functions in neural networks. The combination of the properties of the local wavelet transfer function and neural networks leads to overcome drawbacks of ordinary neural networks. The goal of this study is to present a novel model by using the wavelet neural network, logs and limited core data, in order to predict the porosity in wells without porosity cores data. Wavelet neural network and neural networks have been compared, and the optimal parameters have been extracted for the two mentioned networks. The current study has been done on the reservoir part of Sarvak formation in Azadegan oil field. The common transfer functions in the wavelet neural networks are Morlet wavelet, the first derivative of Gaussian function (“Gaussian derivative”) and Mexican Hat wavelet.The best response to estimate the porosity was achieved from the wavelet neural network using the Morlet transfer function, which reduce the estimation error from 19.37 in the neural network with sigmoid transfer function, to 18.6 in the wavelet neural network. Since it’s possible to update the transfer function’s parameters during the training process based on presented training data set to the network, transfer functions which are suitable to the training data set, are changed during the training process, and due to adding two extra parameters (transferring and scaling) to the network’s parameters, the model’s degree of freedom increases, which leads to lower error. Moreover, the wavelet neural networks reduce the size of the optimal network considerably. Investigating on the required convergence time of the wavelet neural networks and ordinary networks shows that the wavelet neural networks need less training epoch to catch the desired error. Therefore, using this networks cause the educating costs to decrease. Because of heterogeneity in oil reservoir and parameter rapid changes and also disability of neural networks to adjust with nature of data, WNN is an alternative approach. Wavelet functions have localization characteristics and their parameter (discrete shift and scale parameters) are set due to data set distribution in estimation space. In other words wavelet centers are adjusted due to data local characters.
