پیش بینی درصد اشباع آب سازند با استفاده از داده های پتروفیزیکی با تمرکز روی گوناگونی خبره ها

پیش بینی پارامترهای پتروفیزیکی مخازن با استفاده از تکنیک یادگیری دسته جمعی، توجه بسیاری از محققین را به خود جلب نموده است. در تمامی فعالیت های انجام شده با روش مذکور، انتخاب خبره های مجموعه یادگیری، فقط بر اساس عملکرد و دقت نتایج خروجی آن ها انجام گردیده است. لذا، یکی از نکاتی که در استفاده از این روش تاکنون به آن توجه نشده،گوناگونی خبره های تشکیل دهنده مجموعه یادگیری فوق است که تا حد زیادی در بهبود و موفقیت نتایج پیش بینی موثر است. از این رو، هدف این مقاله اهتمام به این پارامتر و تمرکز روی آن در انتخاب اعضای مجموعه یادگیری دسته جمعی است. در این راستا، مجموعه ای متشکل از تعداد 100 خبره از نوع شبکه عصبی مصنوعی با روش یادگیری LM و با دستکاری در داده های ورودی، تشکیل شده است. سپس چهار روش اندازه گیری گوناگونی خبره ها معرفی و با استفاده از آنها، خبره های با گوناگونی بالاتر جهت عضویت درمجموعه هرس شده نهایی انتخاب گردیدند. نتایج حاصل از اعمال روش پیشنهادی، روی داده های چاه پیمایی جهت پیش بینی اشباع آب مخزن تحت مطالعه، نشان دهنده موفقیت عملکرد آن در مقایسه با مجموعه یادگیری اولیه است