بهینه سازی مدل های RBF و MLP در تخمین تخلخل با استفاده از داده های چاه پیمایی

در محیط رقابتی و سودجویانه جهانی نفت، تنها راه برای باقی ماندن در سطح این عرصه، بهره جستن از تکنولوژی های جدید است. امروزه شبکه های عصبی و مجموعه های فازی و کاربردشان در هوش مجازی به عنوان معنی جدید عبارت تکنولوژی پیشرفته محسوب می شوند. این ابزار راهی را برای کاهش هزینه های اکتشاف، تولید و مدیریت مخازن نفتی ایجاد می کنند. بسیاری از دانشمندان معتقدند که شبکه های عصبی در طول عمر نسبتا کوتاهشان بیشتر از سیستم تجربی در تمام عمرشان تکامل داشته اند. یکی از مهم ترین عوامل پیشرفت حفاری، آگاهی داشتن از شاخص های پتروفیزیکی سازندهای زیرین است. رایج ترین راه برای نیل به این هدف استفاده از نمودارهای هزینه بر و وقت گیر چاه پیمایی و آزمایش سنگ است. کاهش هزینه و زمان با یافتن دانش بین این داده ها و عدم اجرای برخی از آزمایش ها میسر می شود. در این پروژه به کمک شبکه های عصبی مصنوعی، شاخص تخلخل با استفاده از داده های چاه پیمایی با خطای مناسبی تخمین زده شد. همچنین کارایی شبکه های با توابع شعاعی و پرسپترون چندلایه ای با تابع های مختلف آموزشی مورد بررسی قرار گرفت. در نهایت مشخص شد، بهترین شبکه از نوع رگرسیون تعمیم یافته با spread برابر 07/0 می باشد. خطای نسبی داده های خروجی این شبکه برابر 01/8 درصد و ضریب همبستگی داده های هدف و خروجی برابر 992/0 شده است.