خوشه بندی خصوصیات مخزن جهت تشخیص نوع سنگ با استفاده از روش کی-میانگین در یکی از میادین نفتی جنوب غرب ایران
محل انتشار: نشریه علمی ژئومکانیک نفت، دوره: 4، شماره: 2
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 194
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IRPGA-4-2_004
تاریخ نمایه سازی: 22 شهریور 1401
چکیده مقاله:
تعیین گونه های سنگ در ساخت مدل استاتیک و پویای مخازن هیدروکربنی از اهمیت ویژه ای برخوردار می باشد. تخمین دقیق خواص سنگ های مخزنی، باعث افزایش دقت و صحت در پیش بینی میزان ذخیره مخزن و عملکرد آن میشود. تاکنون مدل های متعددی برای تعیین گونه های سنگهای مخزن توسط متخصصین پیشنهادشده است؛ اما اکثر مدل های پیشنهادی بر اساس روش های متداول مدل محور مهندسی و زمین شناسی سنگ های مخزنی کربناته استوار بوده است. بنابراین استفاده از یک روش یادگیری ماشین برای تعیین گونه های سنگی در مقایسه با روش های پیشین و مقایسه کارایی و عملکرد آن با سایر روشها ضروری به نظر میرسد. در این مطالعه داده های مغزه و لاگ در مخزن نفتی مارون پس از آمادهسازی، با استفاده از تکنیک سری های زمانی پویا (DTW) هم عمق سازی شدهاند. سپس داده های مغزه توسط روش یادگیری ماشین غیر نظارتی کی-میانگین خوشه بندی شدند. همچنین فرآیند خوشه بندی داده های مغزه توسط روش های متداول مدل محور از قبیل روش شاخص منطقه جریانی (FZI) و وینلند نیز انجام گردید. در ادامه نتایج خوشه بندی با استفاده از روشهای کی-میانگین، شاخص منطقه جریانی و وینلند با در اختیار داشتن اطلاعات لیتولوژی لاگ ها صحت سنجی شده و با یکدیگر مقایسه شده است. روش کی-میانگین با معیار صحت سنجی ۹۳.۵ درصد، موفق به انجام بیشترین تفکیک پذیری خوشه ها شد که نشان داد روش یادگیری ماشین مبتنی بر داده کی-میانگین، جایگزین مناسبی برای روش های متداول مدل محور برای خوشه بندی گونه های سنگی می باشند.
نویسندگان
عباس سلحشور
مهندسی صنایع/ دانشکده مهندسی صنایع/ دانشگاه ایوانکی
احمد گایئنی
دانشکده ی مهندسی صنایع، مهندسی صنایع، دانشگاه ایوانکی
علیرضا شاهین
دانشکده ی علوم، زمین شناسی، دانشگاه اصفهان
مصیب کمری
مهندس ارشد پتروفیزیک / شرکت ملی مناطق نفت خیز جنوب
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :