تخمين تراوايي مخازن هيدروكربني به كمك شبكه هاي عصبي - پارت 1

تخمين تراوايي مخازن هيدروكربني به كمك شبكه هاي عصبي

يك مخزن هيدروكربني، از سنگ هاي رسوبي لايه اي تشكيل شده است كه در طي يك دوران طولاني رسوبگذاري شده و طي ميليون ها سال تحولات دياژنزي، دچار تغييرات ساختاري شده اند. اين فرآيندها، همراه با تغييرات دائمي و غيرخطي خواص فيزيكي مخزن در طول دوران هاي زمين شناسي ميباشند. تراوايي (نفوذپذيري ) يكي از مهمترين اين خواص است كه به صورت يك مسأله اساسي براي مهندسين نفت باقي مانده است. اطلاعات مربوط به سنگ متخلخل مخزن به ويژه تراوايی، به مهندسين نفت توانايي طراحي و مديريت مؤثر جهت توسعه ميدان هاي نفت و گاز را ميدهد.

يكي از قديمي ترين راههاي تخمين تراوايي سازند، استفاده از ابزارهاي مغزه گيري و آوردن مغزه هاي ناحيه توليد مخزن به سطح زمين و اندازه گيري تراوايي اين نمونه ها تحت شرايط مشابه مخزن ميباشد. متأسفانه، مغزهگيري از هر چاه در ميدان هاي بزرگ نفتي مانند ميدان هاي نفتي ايران، بسيار هزينه بر و غيراقتصادي است. هر چند به علت اطلاعات بسيار ارزشمندي كه تراوايي در اختيار ما قرار ميدهد، ضروري است كه با وجود گران بودن از تعدادي از چاههاي مخزن (حدود ١٠ درصد ) مغزهگيري شود.

روش معمول ديگر براي تخمين تراوايي مخزن، چاه آزمايي ميباشد. اطلاعات به دست آمده از آزمون هايي كه به طور دقيق روي چاهها انجام ميگيرد، امكان محاسبه يك ميانگين حجمي از تراوايي سازند را ميدهد. به علت هزينه بالاي فرآيند چاه آزمايي (هزينه انجام آزمون به علاوة هزينه توقف توليد در حين انجام آزمون ) عمومًا فقط تعداد محدودي از آزمون ها در هر ميدان نفتي انجام ميگردد.

در ميدان هاي نفتي ايران، مقادير تخلخل و تراوايي كه از نقاط مختلف ميدان به دست آمدهاند موجود ميباشند. مهندسين نفت غالبًا از تحليل رگرسيون به عنوان ابزار اصلي براي به دست آوردن رابطه بين اين مقادير استفاده ميكنند. در اين روش ها، فرض بر اين است كه يك تابع خطي يا غيرخطي براي مدل كردن رابطه تراوايي و ديگر خواص سنگ كافي است.

يك روش جايگزين براي روش مدل كردن پارامتري، استفاده از شبكه هاي عصبي مصنوعي ميباشد. در سال هاي اخير، شبكه هاي عصبي به عنوان ابزارهاي قدرتمندي براي مدل كردن سيستم هاي پيچيده مطرح شده اند. اين شبكه ها روش هاي تحليل بدون الگوريتم داده هاي حجيم آنالوگ را ميسر ميسازند. از آنجا كه تحليل دادهها و آموزش اين شبكهها به صورت موازي و توزيع شده انجام ميگيرد، آنها توانايي تشخيص روابط بسيار پيچيده بين متغيرهاي متعدد ارائه شده به شبكه را دارند. هدف اين كار ايجاد ارتباط بين عمق سنگ، تخلخل به دست آمده از لاگ و تراوايي حاصل از تحليل مغزه و استفاده از رابطه مذكور جهت پيش بيني مقادير تراوايي در چاههايي كه مغزهگيري انجام نشده است، ميباشد.

پياده سازي ويژگيهاي شگفت انگيز مغز به صورت يك سيستم مصنوعي هميشه وسوسه انگيز و مطلوب بوده است و تلاشهاي زيادي هم در اين زمينه انجام شده است اما در نهايت آنچه حاصل شده است، صرفنظر از برخي از يافته هاي ارزشمند، اين بوده است كه مغز بشر دست نيافتني است.

يكي از الهاماتي كه در مورد شبكه هاي عصبي از مغز انسان گرفته شده است اين است كه مغز براي محاسبات خود از ساختاري كاملا مغاير با ساختار كامپيوترها استفاده مي كند. بدين معني كه مغز از يك سري عناصر اصلي به نام نرون ١ تشكيل يافته است كه عملكرد اين نرونها و پاسخ آنها به صورت جمعي بستگي به ذخيره سازي و حفظ اطلاعات در تك تك نرونها و نحوه ارتباط بين آنها دارد. هدف اين مقاله اين است كه با شبيه سازي اين نرونها با مدل هاي رياضي شبكه اي تشكيل داده كه بتواند شبيه مغز انسان عمل كند و جهت حل مسائل پيچيده كه در اصل چيزي جز يادگيري نگاشتها نيست از آن استفاده شود.

در شكل (1) مدل يا شبيه سازي شده يك نرون ارائه شده است. اين نرون داراي ورودي P و خروجي a است. يك تعداد ثابت تحت عنوان باياس (Bias) هم استفاده شده است كه در كليه استفاده ها اين مقدار يك فرض ميشود.

مقادير كه به ترتيب پارامتر وزن و پارامتر باياس نام دارند دو پارامتر قابل تنظيم اين نرون هستند كه به ترتيب در ورودي و مقدار باياس ضرب ميشوند و مجموع آنها به صورت ورودي تابع f كه تابع فعالسازي نرون ما است تلقي ميشود. تابع نرون (f) ميتواند خطی و يا غيرخطي باشد اما شرط مهم آن غيرنزولي و مشتق پذير بودن آن است. اين تابع برحسب نياز مسئله انتخاب ميشود. در عمل تعداد محدودي از توابع خاص و معروف استفاده ميشوند كه از ميان آنها سه تابع خطي، پله واحد و لگاريتم سيگموئيد داراي كاربرد بيشتري هستند:

بايد توجه داشت كه معمولا حتي يك نرون با تعداد وروديهاي خيلي زياد هم براي كارهاي فني مهندسي كفايت نمي كند و براي مدل سازي معمولا مواردي وجود دارد كه نياز به دو يا چند خروجي به صورت موازي است كه در اين حالت از دو يا چند نرون موازي استفاده ميشود. بنابراين نياز است تا در اين قسمت شبكه هاي تك لايه معرفي شوند. اين نوع شبكه عصبي را مي توان به دو صورت گستردة شكل ( ٢‐الف) و يا فشرده شكل (2-ب) نشان داد. تنها نكته اي كه در اين مورد بايد به آن توجه داشت اين است كه كليه وروديها به كليه نرونها وارد مي شوند و هر نروني هم بردار وزن مخصوص خودش را روي اين وروديها اعمال مي كند و تابع مخصوص خودش را مستقل از ساير نرونها مي تواند داشته باشد.

پایان پارت ۱

ادامه در پارت ۲