احسان نصرت - دانشجوی کارشناسی ارشد مهندسی اکتشاف نفت، دانشگاه صنعتی امیرکبیر
حمید رضا رمضی - دانشجوی کارشناسی ارشد مهندسی معدن، متالوژی و نفت دانشگاه صنعتی امیر

شناخت و ارزیابی پارامتری پتروفیزیکی مخازن هیدروکربوری، مانند تخلخل و نفوذپذیری،‌ با استفاده از داده های چاه پیمایی همواره با خطاهای گوناگون همراه است و عوامل مختلف،‌ دقت این روش ها را پایین می آورند. به علاوه نمی توان در تمامی چاه های حفاری شده به منظور اندازه گیری این پارامتر ها مغزه گیری انجام داد،‌ لذا سعی می شود تا با تلفیق نمودارهای مختلف چاه پیمایی دقت برآورد پارامترهای پتروفیزیکی را افزایش داد. یکی از روش های برآورد تخلخل و دیگر پارامترهای مخزن به کمک اطالاعات چاه پیمایی،‌ استفاده از شبکه های عصبی مصنوعی می باشد. با استفاده از این روش می توان به کمک نمودارهای رقومی شده چاه پیمایی به عنوان پارامترهای ورودی به شبکه، ارتباطی مناسب بین داده های چاه پیمایی و پارامترهای پتروفیزیکی بدست آمده از مغزه برقرار کردو در موارد فاقد مغزه در مخزن، با استفاده از شبکه آموزش دیده پارامترهای پتروفیزیکی را برآورد نمود. در این تحقیق با استفاده از نمودارهای مختلف چاه پیمایی و به کمک شبکه های عصبی مصنوعی سعی شده تا تخلخل مغزه در یکی از مخازن کربناته نفتی جنوب غرب ایران برآورد شود. در ا ین تخقیق به منظور ارزیابی تخلخل از شبکه های پس انتشار خطا (BP) و شبکه های رگرسیون کلی (GRNN) با تعداد ورودی های مختلف،‌ استفاده شده است. به علاوه تاثیر توزیع آماری داده های ورودی بر عملکرد شبکه های عصبی مصنوعی پس انتشار خطا نیز بررسی شده است.در این تحقیق بهترین پاسخ برای برآورد تخلخل از شبکه پس انتشار خطا با 6 لاگ به عنوان ورودی که توزیع آماری آنها نرمال استاندارد شده بود، بدست آمد.

شبکه های عصبی مصنوعی،‌تخلخل،‌نمودارهای چاه