عنوان پایان‌نامه
تخمین تخلخل نوترون با استفاده از شبکه ی عصبی پرسپترون چندلایه مرکزگرا در یکی از مخازن هیدروکربنی جنوب ایران
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 69663;کتابخانه موسسه ژئوفیزیک شماره ثبت: 1146
- تاریخ دفاع
- ۰۹ تیر ۱۳۹۴
- دانشجو
- مسعود عباسی نیا
- استاد راهنما
- مجید نبی بیدهندی
- چکیده
- تخلخل یکی از پارامترهای پتروفیزیکی مهم مخزن است که به طور مستقیم با حجم ذخیره هیدروکربن در ارتباط است. توسعه، مدیریت و ارزیابی اقتصادی مخازن بدون برآورد این پارامتر امکان پذیر نیست. یکی از انواع نگارهای تخلخل، نگار تخلخل نوترون است که معرف تخلخل کل سازند ( تخلخل اولیه و ثانویه) است. هدف این پروژه تخمین این نگار در فواصل دور از چاه ها و در واقع گستره مخزن است. به دلیل پوشش گسترده داده های لرزه ای، برقراری ارتباط بین این داده ها و نگار تخلخل نوترون، به تخمین این پارامتر در گستره مخزن می انجامد. با توجه به قابلیت بالای شبکه های عصبی مصنوعی در حل مسائل پیچیده، می توان از این ابزار برای یافتن رابطه بین داده های لرزه ای و چاه استفاده کرد. شبکه عصبی مصنوعی طراحی شده در این پروژه ترکیبی از شبکه های عصبی پرسپترون چندلایه (MLP) و شبکه شعاعی(RBF) تحت عنوان شبکه عصبی پرسپترون چندلایه مرکزگرا (CMLP) است. این شبکه یک شبکه عصبی هیبریدی است که بخش اول آن شامل خوشه بندی فازی داده ها و بخش دوم، پردازش مراکز حاصل از خوشه بندی توسط یک شبکه MLP است. در تخمین نگار تخلخل نوترون، ورودی های شبکه نشانگرهای لرزه ای و خروجی نگار تخلخل نوترون هستند. عملیات وارون سازی لرزه ای به روش بر مبنای مدل، انتخاب و محاسبه نشانگرهای لرزه ای مناسب به کمک نرم افزار Hampson-Russell انجام شد. پیش از اعمال شبکه CMLP بر داده ها، ابتدا شبکه MLP، که ساختار اصلی آن را تشکیل می دهد، بر داده های لرزه نگاری سه بعدی یکی از مخازن جنوب ایران اعمال شد. همبستگی بالای نتایج تخمین تخلخل نوترون با خروجی نرم افزار نشان از عملکرد قابل قبول پرسپترون طراحی شده دارد. ضرایب همبستگی مراحل آموزش، اعتبار و آزمایش شبکه CMLP حاکی از قدرت بالای این شبکه در یافتن ارتباط بین داده های لرزه ای و نگار تخلخل نوترون است. این توانایی ناشی از ماهیت خوشه بندی است. گستره تغییرات تخلخل نوترون محاسبه شده توسط شبکه عصبی CMLP و MLP تا حد زیادی به هم نزدیک هستند. شبکه CMLP قادر به شناسایی روند تغییرات تخلخل نورتون است اما اختصاص دادن هر نمونه تخلخل به عمق زمانی درست آن تا حدودی با خطا همراه است. این خطا ناشی از انتخاب مراکز به عنوان ورودی هاست. فاصله تا حدودی نامنظم نمونه ها در مقطع نهایی و درون یابی مقادیر عامل تفاوت مقاطع خروجی پیش و پس از خوشه بندی است.
- Abstract
- Porosity is one of the important petrophysical parameters of reservoir that is directly related to hydrocarbon capacity volume. Development, management and economical evaluation of reservoirs are impossible without this parameter. Neutron porosity is one of the porosity logs that represens the total porosity (primary and secondary). The purpose of this project is to estimate this log at far distances from wells and, in fact, reservoir volume. Because of widespread coverage of seismic data, linking between these data and neutron porosity log, results in estimation of this parameter. Given to high capability of artificial neural network in solving complicated problems, it can be used to find relation between logging and seismic data. In this project, designed artificial neural network is a mixture of multi-layer Perceptron and radial basis function networks, named centroid based multi-layer Perceptron (CMLP). This network is a hybrid neural network that its first part includes fuzzy clustering of data and its second part processes centroid generated from clustering with a MLP network. In estimating neutron porosity log, network input and output data are seismic attributes and neutron porosity log, respectively. Model based seismic inversion and seismic attributes calculations were implemented using Hampson-Russell software. Before implementing the CMLP network on data, the MLP network, that makes its basic structure, was implemented on 3D seismic data for a reservoir at south of Iran. High correlation between estimated and target (real) neutron porosities indicate the acceptable performance of the designed Perceptron. Correlation coefficients of training, validation and test data for CMLP network are indicative of high capability of this network to find the relation between seismic data and neutron porosity log that is because of clustering nature. Variation spectrum of neutron porosity calculated by CMLP network is highly close to that for MLP network. CMLP network can recognizes the neutron porosity variations but, assigning every porosity sample to a correct time depth is somewhat in error. This error is generated from selecting centroids as inputs. Somewhat irregular sample intervals on final section and interpolating values, is the cause of difference between output sections before and after clustering.
