نام پژوهشگر: نوشین پارسی

تخمین مدت زمان عبور امواج صوتی بوسیله شبکه عصبی با استفاده از نمودارهای ‍‍‍‍‍‍‍‍‍‍‍پتروفیزیکی
پایان نامه دانشگاه آزاد اسلامی - دانشگاه آزاد اسلامی واحد شاهرود - دانشکده کامپیوتر و فناوری اطلاعات 1393
  نوشین پارسی   هدی مشایخی

ارزیابی پتروفیزیکی در شناخت دقیق مخازن نفت و گاز، تحلیل عملکرد و رفتار مخازن، قابلیت بهره دهی و توان تولید مخازن، شناخت ویژگی های مخازن و بدست آوردن پارامترهای مخزنی از قبیل تخلخل، تراوایی و غیره نقش بسزایی دارد. نتایج مطالعات پتروفیزیک در مدل سازی سه بعدی مخازن بسیار مفید و کاربردی است. نمودارها اساس کار مطالعات پتروفیزیک را تشکیل می دهند. نوترون، قطرسنج، گاما، چگالی، زمان گذر موج صوتی و غیره نمونه ای از این نمودارها هستند که با دستگاه های مختلفی که به درون چاه هدایت می شود از طریق ارسال و دریافت امواج به ثبت اطلاعات می پردازند هزینه عملیات نمودارگیری و شرایط نمودارگیری برای هر نوع لاگ متفاوت است. قطعاً در بحث حفاری صرفه جویی اقتصادی و زمانی در بین کشورهای تولید کننده نفت حرف اول را می زند. کشوری که بتواند در مدت زمان اندک برنامه تولیدی و شناخت دقیقی از میدان های نفتی خود برسد قطعاً پرچمدار این صنعت خواهد بود. برای این کار پیش بینی پارامترهای مخزنی از قبیل تخلخل، تراوایی، اشباع شدگی آب، مقاومت سنگ مخزن و غیره لازم و ضروری است که این کار با استفاده از نمودارها و انجام محاسبات مهندسی صورت می گیرد. لاگ های نوترون، چگالی، گاما و قطر سنج، لاگ های معمولی و کم هزینه هر عملیات نمودارگیری می باشد. لاگ صوتی در شرایط خاص گرفته می شود و به همین دلیل است که در هرمحیطی نمی توان لاگ صوتی را اندازه گیری کرد و دوم اینکه هزینه این لاگ بسیار زیاد است، پس اگر بتوان بطریقی این لاگ را پیش بینی و شبیه سازی نمود در تخمین پارامترهای پتروفیزیکی گام موثری برداشته شده است زیرا این لاگ یکی از دقیق ترین لاگ ها می باشد.در این پایان نامه از دو روش برای دستیابی به لاگ صوتی با دقت بالا استفاده شده است. به منظور یافتن بهترین ساختار شبکه عصبی، از آموزش-اعتبارسنجی-آزمون استفاده خواهیم کرد.که این شبکه پس از بررسی و آزمایش داده های مورد نظر (ورودی ها و خروجی های چاه) بهترین ساختار مدل شبکه عصبی را به دست آورده است که این روش برای سایر چاه های میدان نفتی نیز قابل اجرا می باشد.پس از اعمال الگوریتم ژنتیک میزان خطای شبکه عصبی برای داده های تست به 10 درصد می رسد. این نتیجه برای ارزیابی ها قابل توجه می باشد.