• Home
  • Comparison of the function of conventional neural networks for estimating porosity in one of the southeastern Iranian oil fields

Share To

Article Url


Manuscript ID : 1401011736507 Visit : 2651 Page: 62 - 81

20.1001.1.22518738.1399.10.20.1.0

Article Type: Original Research

Comparison of the function of conventional neural networks for estimating porosity in one of the southeastern Iranian oil fields

Subject Areas : Geoscience Fields in relation with Petroleum Geology

Farshad Toffighi 1 , parviz armani 2 , Ali Chehrazi 3 , َAndisheh Alimoradi 4

1 -
2 -
3 -
4 -

Received: 2022-04-06 Accepted : 2022-04-06 Published : 2022-04-06

Keywords: seismic inversion, porosity estimation, MLFN, RBFN, PNN,

Abstract :

In the oil industry, artificial intelligence is used to identify relationships, optimize, estimate and classify porosity. One of the most important steps in evaluating the petrophysical parameters of the reservoir is to identify the porosity properties. The main purpose of this study is to compare the accuracy and generalizability of three multilayer feed neural networks (MLFNs), radius base function networks (RBFNs) and probabilistic neural networks (PNNs) to estimate porosity using seismic properties. In this regard, geological data of 7 wells were evaluated from an offshore oil field in Hindijan in the northwest of the Persian Gulf basin. Acoustic impedance was estimated using model-based inversion method and then the mentioned neural networks were designed using optimal seismic properties and evaluated by stepwise regression method. Finally, it became clear that the MLFN model did not work well for estimating porosity. PNN has the best performance accuracy in porosity interpolation, but RBFN generalizability is better.

References:

[1] AMINI, A., MOVAHED, B., BEHZAD, ASIRI, H., and MARZAYI, TABESH, F., 2014, Design of Artificial Neural Network for Prediction of Porosity of Asmari Reservoir in Rag-Sefied Field Using Logarithmic and Porous Porosity Data: 3rd National Oil, Gas and Petrochemical Conference, Gachsaran, Iran.4-5.
[2] ANEES, M., 2013, Seismic attribute analysis for reservoir characterization: 10th Biennial International Conference and Exposition on the theme “Changing Landscapes in Geophysical Innovations”, India, 119-122.
[3] ASOODEH, M., and BAGHERIPOUR, P., 2013, Core porosity estimation through different training approaches for neural network: back-propagation learning vs. genetic algorithm: International Journal of Computer Applications, 63, 5:11–15.
[4] BEDI, J., and TOSHNIWAL, D., 2019, PP-NFR: an improved hybrid learning approach for porosity prediction from seismic attributes using non-linear feature reduction: Journal of Applied Geophysics, 166, 22-32.
[5] CAO, J., YANG, J., WANG, Y., WANG, D., and SHI, Y., 2015, Extreme Learning Machine for Reservoir Parameter Estimation in Heterogeneous Sandstone Reservoir: Mathematical Problems in Engineering, 287816, 1-10.
[6] CHOPRA, S., and MARFURT, K.J., 2007, Seismic Attributes for Prospect Identification and Reservoir Characterization: (chapter 1) 1st ed. Society of Exploration Geophysicists. 1-24
[7] ELKATANY, S., TARIQ, Z., MAHMOUD, M., and ABDULRAHEEM, A., 2018, New insights into porosity determination using artificial intelligence techniques for carbonate reservoirs: Petroleum Journal, 4, 4:1-11.
[8] EZEKWE, J.N., 2003, Applied Reservoir Management Principles with Case Histories: SPE Annual Technical Conference and Exhibition. Colorado. 5-8.
[9] FAUSETT, L.V., 1994, Fundamentals of Neural Networks Architectures: Algorithms and Applications (chapter 1) 1st ed. Pearson. 3-4
[10] GHARECHELOU, S., AMINI, A., KADKHODAIE-ILKHCHI, A., and MORADI, B., 2015, An integrated approach for determination of pore-type distribution in carbonate-siliciclastic Asmari Reservoir, CHESHMEH-KHOSH Oilfield, SW Iran: Journal of Geophysics and Engineering, 12, 793-809.
[11] GHAZBAN, F., 2007, Petroleum Geology of the Persian Gulf (chapter 9) 1st ed. Tehran, Tehran University and National Iranian Oil Company publication, 586-587.
[12] GHOLAMI, A., and ANSARI, H.R., 2017, Estimation of porosity from seismic attributes using a committee model with bat-inspired optimization algorithm: Journal of Petroleum Science and Engineering, 152, 238-249. [13]
HOSSEINI, A., ZIAII, M., KAMKAR ROUHANI, A., ROSHANDEL, A., GHOLAMI, R., and HANACHI, J., 2011, Artificial Intelligence for prediction of porosity from Seismic Attributes: Case study in the Persian Gulf: Iranian Journal of Earth Sciences, 3. 2:168-174. [14]
HUUSE, M., and FEARY, D.A., 2005, Seismic inversion for acoustic impedance and porosity of Cenozoic cool-water carbonates on the upper continental slope of the Great Australian Bight: Marine Geology, 215, 3-4:123-134. [15]
ITURRARÁN-VIVEROS, U., and PARRA, J.O., 2014, Artificial Neural Networks applied to estimate permeability, porosity and intrinsic attenuation using seismic attributes and well-log data: Journal of Applied Geophysics, 107, 45-54. [16]
MCCULLOCH, W.S., and PITTS, W., 1943, A logical calculus of the ideas immanent in nervous activity: Bulletin of Mathematical Biophysics, 5, 115–[17] MCPHEE, C., REED, J., and ZUBIZARRETA, I., 2015, Core Analysis: A Best Practice Guide, (chapter 8) 1st ed. Edinburgh, Elsevier Publication, 347-[18]
MOJEDDIFAR, S., KAMALI, G., RANJBAR, H., and SALEHIPOUR BAVARSAD, B., 2014, A comparative study between a pseudo-forward equation [pfe] and intelligence methods for the characterization of the North Sea reservoir: International Journal of Mining and Geo-Engineering, 48. 2:173–[19] ORR, M.J., 1996, Introduction to Radial basis function neural networks: Research Report for the Institute of Adaptive and Neural Computation, University of Edinburgh. 9-11.
[20] POWELL, M.J.D., 1987, Radial basis functions for multivariable interpolation: a review, Algorithms for Approximation: Clarendon. 143– 167.
POWELL, M.J.D., 1987, Radial basis functions for multivariable interpolation: a review, Algorithms for Approximation: Clarendon. 143– 167. [21] RONEN, S., SCHULTZ, P.S., HATTORI, M., and CORBETT, C., 1994, Seismic guided estimation of log properties, Part 1, 2 and 3: The Leading Edge, 13: 305-10, 674-678, 770-776. [22]
RUSSELL, B.H., 1988, Introduction to seismic inversion methods (Chapter 8) 1th ed. Calgary, Society of exploration Geophysicist, 1-14. [23]
RUSSELL, B.H., 2004, The application of multivariate statistics and neural networks to the prediction of reservoir parameters using seismic attributes: Ph.D. thesis, Faculty of Graduate Studies, Dissertation University of Calgary. 17-18. [24]
SOLEIMANI, B., BAHADORI, A., and MENG, F., 2013, Microbiostratigraphy, microfacies and sequence stratigraphy of upper cretaceous and Paleogene sediments, Hendijan oil field, Northwest of Persian Gulf, Iran: Natural Science, 5. 11:1165-1182. [25]
SPECHT, D.F., 1990, Probabilistic neural networks: Neural Networks, 3, 1:109–118. [26]
TARANTOLA, A., 2005, Using the Solution of the Inverse Problem, 1st ed. Paris, Society for Industrial and Applied Mathematics, 37-38. [27] YAZDANIAN, J., and NOORI, B., 2007, Geological Final Report-Well HD_7, Iranian Offshore Oil Company
Full-Text:


مقایسه کارکرد شبکه‌های عصبی مرسوم برای برآورد تخلخل در یکی از میدان‌های نفتی جنوب خاوری ایران

 

فرشاد توفیقی، گروه مهندسی نفت و معدن، دانشگاه بین‌المللی امام خمینی، قزوین

پرویز آرمانی*، گروه زمین‌شناسی، دانشگاه بین‌المللی امام خمینی، قزوین

علی چهرازی، مدیریت طرح‌های اکتشافی، شرکت نفت فلات قاره ایران، تهران

اندیشه علیمرادی، گروه مهندسی نفت و معدن، دانشگاه بین‌المللی امام خمینی، قزوین

armani@sci.ikiu.ac.ir

چکیده

در صنعت نفت از هوش مصنوعی برای شناسایی روابط، بهینه‌سازی، برآورد و رده‌بندی تخلخل بهره‌گیری می‌شود. يكي از مهم‌ترين مراحل ارزیابی پارامترهاي پتروفيزيكي مخزن، شناسایی ویژگی‌های تخلخل است. هدف اصلی این پژوهش مقایسه درستی و تعمیم‌پذیری سه شبکه عصبی چند لایه پیش‌خور (MLFN)، شبکه تابع شعاع مبنا (RBFN) و شبکه عصبی احتمالی (PNN)  برای برآورد تخلخل با بهره‌گیری از ویژگی‌های لرزه‌ای است. در این راستا، داده‌های زمین‌شناسی 7 حلقه چاه یک میدان نفتی فراساحلی هندیجان در شمال باختری حوضه خلیج فارس مورد ارزیابی قرارگرفت. امپدانس آکوستیک با بهره‌گیری از روش وارونگی مبتنی بر مدل برآورد شد و سپس شبکه‌های عصبی یاد شده با بهره‌گیری از ویژگی‌های لرزه‌ای بهینه طراحی شده و با روش رگرسیون گام به گام مورد ارزیابی قرار گرفتند. سرانجام مشخص شد که مدل MLFN برای برآورد تخلخل خوب عمل نمی‌کند. PNN از بهترین دقت کارکرد در درون‌یابی تخلخل برخوردار است، اما تعمیم‌پذیری RBFN بهتر است.

واژه‌های کلیدی: برآورد تخلخل، بازگردانی لرزه‌ای، MLFN، RBFN، PNN

 

پیشگفتار

هوش مصنوعی یک ابزار ریاضیاتی بر پایه پردازش موازی است که امروزه، بهره‌گیری از آن در صنعت نفت برای شناخت روابط غیرخطی، بهینه‌سازی، برآورد پارامترهای کمی و همچنین، دسته‌بندی پارامترهای کیفی نیز رواج بسیاری یافته است ]5، 9، 15[. بهره‌گیری از این روش باعث افزایش دقت کار و کاهش هزینه و زمان می‌شود ]1[.

تخلخل یکی از مهم‌ترین ویژگی‌های پتروفیزیکی سنگ مخزن است، چرا که در محاسبات حجمی نفت موجود در مخزن ]3[، محاسبات اشباع سیالات، توصیف مخزن ]8[، شناسایی واحدهای جریانی در محیط‌های ناهمگن ]12[، بررسی‌های اقتصادی پروژه ]7[، به‌عنوان یکی از مهم‌ترین پارامترهای مخزنی در نرم‌افزارهای شبیه‌ساز ]26[، مشخص‌کردن فشار نقاط مختلف مخزن به منظور کاهش خطر حفاری ]13[ و همچنین، تعیین الگوهای جریان هیدروکربن‌های مختلف ]10 و 18[ کاربرد دارد. در آغاز تخلخل از راه بررسی مستقیم مغزه تهیه‌شده در آزمایشگاه‌ها مانند وزن‌کردن مستقیم نمونه، قوطه‌وری، روش‌های نوری، اسکن توموگرافی کامپیوتری1 و روش انبساط گازی به‌دست می‌آمدند که اگرچه این روش‌ها دقیق‌ترین و قابل اعتمادترین روش‌ها هستند اما نیازمند صرف زمان و هزینه بسیار بوده و از طرفی، اطلاعات به‌دست آمده از این روش‌ها گسسته می‌باشند. از این‌رو، از روش‌های چاه‌نگاری استفاده کردند. در این روش، از نموارهای چگالی، صوتی، نوترون و در مراحل پیشرفته‌تر نیز از نمودارهای رزونانس مغناطیسی هسته‌ای2 استفاده می‌شود که چون روش غیرمستقیم است، نسبت به روش مستقیم دقت کمتری دارد اما دارای پیوستگی اطلاعات است. اما نکته‌ای که در مورد روش‌های یادشده باید توجه داشت این است که این روش‌ها نیازمند صرف زمان و هزینه بسیار برای حفر چاه است ]17[.از این‌رو، امروزه استفاده از هوش مصنوعی برای افزایش دقت کاوش‌های سطحی بدون نیاز به حفر چاه گسترش یافته است. از برتری‌های روش پیشنهاد شده نیز می‌توان به پیوسته‌بودن داده‌های به‌دست آمده اشاره کرد. البته داده‌های به‌دست آمده تنها در محل چاه و پیرامون آن درست است ]8[. امروزه برای مدل‌سازی سه‌بعدی، افزون بر داده‌های چاه‌نگاری، از داده‌های لرزه‌ای سه‌بعدی نیز بهره‌گیری می‌شود. داده‌های لرزه‌ای، سری‌های زمانی سه‌بعدی می‌باشند که زمان عبور موج در هر بخش از سازند را نشان می‌دهند ]4[. در هنگام برداشت‌های لرزه‌ای امواجی با فرکانس بالا میرا می‌شوند که در مدل‌سازی سه‌بعدی کوشش می‌شود با بهره‌گیری از داده‌های چاه‌نگاری، از جمله نمودار صوتی، این داده‌های لرزه‌ای احیا و شبیه‌سازی شوند و سپس با بهره‌گیری از موجک استخراج شده به مدل‌سازی بازگردانی3 ویژگی‌های پتروفیزیکی زیرسطحی از جمله سرعت موج برشی4، سرعت موج فشردگی5 و امپدانس صوتی ویژه (که توسط ضرب چگالی در سرعت امواج لرزه‌ای نیز به‌دست می‌آید) نیز پرداخته می‌شود ]22[.

امپدانس صوتی یکی از مهم‌ترین نشان‌گرهای لرزه‌ای است که با ویژگی‌های پتروفیزیکی به ویژه تخلخل رابطه‌ای معنادار دارد و به‌صورت پلی ارتباطی میان ویژگی‌های پتروفیزیکی و ویژگی‌های کشسان6 است ]14 و 18[. نشان‌گرهای لرزه‌ای اطلاعات لرزه‌ای هستند که به‌صورت مستقیم و غیر‌مستقیم از راه انجام روابط ریاضیاتی پیچیده برروی داده لرزه‌ای ایجاد می‌شوند ]23[. در نتیجه استخراج داده‌ها از نشان‌گرهای لرزه‌ای کمک شایانی در برآورد ویژگی‌های فیزیکی مخزن‌ها می‌کند ]6[. همچنین، لازم به یادآوری است که در بسیاری از مواقع به‌دلیل ناهمگن بودن منطقه، چه به‌صورت عمودی و چه به‌صورت افقی، ایجاد رابطه‌ای عددی میان امپدانس صوتی و تخلخل با روش‌های مرسوم آماری و بدون بهره‌گیری از هیچ‌گونه تابعی نیز امکان‌پذیر ناست. بنابراین، برای برآورد تخلخل نیاز به یک مدل سطح بالا و هوشمند است ]2[.

پرکاربردترین زمینه مطالعاتی هوش مصنوعی با بهره‌گیری از امپدانس صوتی، برآورد و ارزیابی ویژگی‌های پتروفیزیکی مانند تخلخل، تراوایی، اشباع آب، حجم شیل، میزان آب موجود و در نتیجه، شناسایی واحدهای جریانی7 در محیط‌های ناهمگن است ]11[. هدف اصلی از این پژوهش مقایسه دقت و تعمیم‌پذیری سه مدل مرسوم شبکه عصبی، یعنی شبکه عصبی پیش‌خور چند لایه8، شبکه تابع شعاع مبنا9 و شبکه عصبی احتمالی10 در برآورد تخلخل با بهره‌گیری از امپدانس صوتی و سایر نشان‌گرهای لرزه‌ای به‌دست آمده از برازش گام‌به‌گام در سازند آسماری است.

روش کار

این پژوهش، یک پژوهش داده محور است که شامل داده‌های زمین‌شناسی 7 چاه موجود در یکی از میدان‌های نفتی ایران واقع در شمال باختری خلیج فارس است (شکل 1). این میدان از نظر ساختاری یک تاقدیس کوچک با روند شمالی-جنوبی است ]24[. دو چاه HD_1 و HD_6 بر پایه جایگاه جغرافیایی آن‌ها به‌عنوان داده‌های ناشناخته در نظر گرفته شده‌اند (شکل 2). هدف از بهره‌گیری از چاه‌های HD_1 و HD_6 نیز به‌ترتیب شناسایی دقت و قدرت تعمیم‌پذیری مدل‌های مورد نظر است. در این پژوهش، سازند آسماری مورد بررسی قرار گرفت. شمار نقاط اطلاعاتی از 25 تا 30 عدد بود.

img0 

شکل 1 جایگاه میدان نفتی مورد بررسی ]27[

img0 

شکل 2 جایگاه چاه‌های نفتی مورد بررسی 

این پژوهش بر کاربرد تکنیک شبکه عصبی مصنوعی در برآورد تخلخل سازند آسماری با بهره‌گیری از نشان‌گرهای لرزه‌ای پس از برانبارش و داده‌های چاه‌نگاری استوار است. نمودارهای تخلخل، صوتی و چگالی برای همه چاه‌ها و داده‌های تصحیح برداشت11 تنها در چاه‌های HD_6 و HD_7 موجود بود.

نخستین گام برای آماده‌سازی داده‌های ورودی هم حوزه نمودن آن‌ها بود، چرا که داده‌های چاه‌نگاری ماهیت مکانی و داده‌های لرزه‌ای ماهیت زمانی دارند. بدین منظور با بهره‌گیری از داده‌های تصحیح برداشت به‌عنوان یک تابع زمان- عمق، تمامی داده‌های چاه‌نگاری به حیطه زمان منتقل شد. پس از آن با بهره‌گیری از فرآیند همبستگی (تطابق) دستی، سعی در افزایش همبستگی به منظور قرار گرفتن ضرایب بازتاب12 در محل درست خود و همچنین، استخراج موجک میانگین برای ساخت رَدلرزه‌های مصنوعی در محل چاه‌ها انجام گرفت. باید خاطرنشان شد که در تطابق دستی کوشش شده است که در ابتدا با جابه‌جایی و سپس با ایجاد کشیدگی و فشردگی در داده‌های جدید ایجاد شده بیشترین تطابق انجام گیرد.

در این پژوهش از روش بازگردانی برپایه مدل13 برای مدل‌سازی بازگردانی امپدانس صوتی در کل پیکره سه‌بعدی سازند آسماری بهره‌گیری شد. در بازگردانی بر پایه مدل کوشش می‌شود که در آغاز یک مدل زمین‌شناسی، به‌عنوان مدل اولیه، ساخته و سپس به مقایسه آن با داده‌های لرزه‌ای واقعی پرداخته ‌شود. شکل 3 اساس نظریه بازگردانی بر پایه مدل به‌صورت شمای عملیاتی را نشان داده شد.

img0 

شکل 3 شمایی عملیاتی از نظریه بازگردانی برپایه مدل ]22[

در آغاز پیش از انتخاب نشان‌گرهای چندگانه بهینه، باید داده‌های ورودی را نسبت به هر چاه مورد بررسی و ارزیابی قرار داد. از اینرو از تکنیک "پنهان‌کردن" بهره‌گیری شد. این روش به این صورت است که چاه موردنظر (در پژوهش‌های آینده نشان‌گرها و نقاط اطلاعاتی) نیز نادیده گرفته می‌شود و با بهره‌گیری از دیگر چاه‌ها به برآورد آن چاه پرداخته می‌شود. هر چه دقت کار کمتر و یا به‌عبارت دیگر، خطای بررسی بیشتر باشد، چاه مورد نظر باعث ناپایداری مدل‌سازی می‌شود. پس همان‌گونه که در شکل 4 نشان داده شد، داده‌های چاه HD_7 باعث ناپایداری مدل‌سازی می‌شود، بنابراین داده‌های این چاه از دسته داده‌های آموزشی نیز حذف ‌شد.

img0 

شکل 4 نتیجه ارزیابی داده‌ها بر پایه چاه‌ها

در این پژوهش از روش برازش گام به گام برای انتخاب تعداد بهینه نشان‌گرهای چندگانه بر پایه نشان‌گرهای تکی، بهره‌گیری شد. در این روش ابتدا تک نشان‌گری که دارای کمترین خطای برآورد تخلخل است انتخاب شده و سپس کوشش شد با بهره‌گیری از روش آزمون و خطا به جست و جو جفت نشان‌گری که دارای کمترین خطای برآورد باشد، پرداخته شود. این فرآیند تا رسیدن به بیشترین تعداد نشان‌گرها نیز ادامه می‌یابد. برتری این روش، سرعت بالا در پردازش است که البته از کاستی‌های این روش می‌توان به از دست دادن بهترین جفت نشان‌گرهایی که ممکن است دارای خطای بالا در برآورد تخلخل به‌صورت تکی می‌باشند نیز اشاره کرد. نیاز به یادآوری است که منظور از خطا در این بخش، خطای جذر میانگین مربعات است و شمار 160 نشان‌گر مورد بررسی قرار گرفت.

شبکه عصبی مصنوعی

شبکه عصبی مصنوعی و یا سیستم پیوندگرا، یک سیستم محاسباتی مبهم است که از شبکه عصبی زیستی الگوبرداری شده است. به‌علت مبهم بودن کارکرد و محاسبات انجام گرفته در آن، این سیستم را به اصطلاح جعبه سیاه14 می‌نامند ]16[. شبکه عصبی پیش‌خور چندلایه یا MLFN، یک شبکه عصبی کلاسیک بوده که به‌عنوان یک شبکه چندلایه ادراکی15 نیز نام برده می‌شود. این مدل قابلیت حل مشکلات غیرخطی را دارد که البته از کاستی‌های آن نیز می‌توان وابستگی بیش از حد جواب پایانی به حدس اولیه وزن‌های تنظیم شده اشاره کرد. در شکل 5 نیز ساختار شبکه چند لایه با M ورودی و تعداد Kتا گره16 نیز نشان داده شد.

img0 

شکل 5 شمای عملیاتی از شبکه MLFN با M ورودی و K گره ]21[

همواره نخستین لایه در MLFN نیز لایه ورودی و آخرین لایه نیز لایه خروجی نامیده می‌شود. لایه‌های موجود در بین لایه‌های ورودی و خروجی نیز لایه‌های نهان نامیده می‌شوند که شمار آن‌ها می‌تواند از یک تا هر مقداری باشد که یک عدد لایه نهان با تعداد بهینه گره وجود دارد. در بیشتر مواقع، برای بررسی موارد مطالعاتی با تعداد محدود نقاط اطلاعاتی و یا برای روابطی که دارای ویژگی‌های محدود و نامحدود می‌باشند، مدل سه لایه‌ای نیز پاسخ‌گو است ]20[. ورودی‌های شبکه MLP نیز برداری با M نشان‌گر است که مقدار آن به‌صورت xTj=[x1j, x2j, …,xMj] است که در آن j=1, …, N و یا به دیگر سخن، تعداد نمونه‌های لرزه‌ای است. خروجی حاصل از لایه اول با اعمال وزن به ورودی به‌صورت رابطه1 نوشته می‌شود.

(1)        img0

همچنین، ورودی لایه نهان یک مدل سه لایه‌ای نیز به‌صورت رابطه 2 نوشته می‌شود:

(2)        img0

که در رابطه 2 نیز Z(1)kj نیز خروجی حاصل از لایه اول است. در شبکه‌های MLP یکی از پر کاربردترین توابع تحریک17 نیز تابع Logistic است که خروجی آن را بین 1+ و 1- نیز محدود می‌کند. رابطه ریاضیاتی ان در رابطه 3 نشان داده شده است:

(3)        img0

خروجی پایانی شبکه MLP با دو لایه را که در شکل 4 نمایش داده است نیز می‌توان به‌صورت رابطه 4 نوشت:

(4)        img0

وزن شبکه براساس خطای پسا انتشاری که توسط الگوریتم محاسبه می‌شود، تعیین می‌شود. به اimg0ین صورت که با افزایش و کاهش اوزان مختلف کوشش می‌شود که خطای برآورد به کمترین مقدار خود برسد ]21[.

شبکه شعاع مبنا (RBF) برای درون‌یابی دسته داده‌هایی در فضای غیرخطی طراحی شده است ]20[. در مدل‌سازی ریاضیاتی، شبکه تابع شعاع مبنا نیز یک شبکه عصبی مصنوعی پیش‌خور18 با تابع تحریک شعاع مبنا است که بر پایه تئوری منظم‌سازی19 و از تابع گاووسی20 به‌عنوان تابع تحریک اصلی نیز بهره‌گیری می‌کند که در آن از فواصل به‌عنوان "نشان‌گر فضایی" بهره‌برداری می‌شود ]19[. فرض کنید دو نمونه Si و Sj وجود داشته باشد، می‌توان آن‌ها را به یک نمونه ناشناخته Xn مرتبط کرد به طوری که Xn به‌صورت شکل 6 تعریف شده باشد. 

img0 

شکل 6 برآورد نمونه ناشناخته Xn توسط دو نمونه Si و Sj ]21[

RBF نیز همانند شبکه عصبی احتمالی برای هر داده آموزشی یک وزن شناسایی می‌کند که تمامی وزن‌ها توسط تابع گاوس در نشان‌گرهای فاصله ضرب می‌شوند. بنابراین خواهیم داشت:

(5)        img0

در رابطه 5، باید توجه داشت که در برخی از منابع از g به‌جای φ استفاده می‌شود. توابع غیرخطی φj  نیز توابع "پایه21" نامیده می‌شوند. از نظر ریاضیاتی، تابع پایه عبارت است از :

(6)         img0

که در رابطه 6 نیز σ، پارامتر سیگما و یا به‌عبارت دیگر، پارامتر هموارسازی22 است. باید توجه شود که  نیز فاصله مقیاسی بین نمونه‌ای مجهول یعنی Xn و نقطه اطلاعاتی معلوم Sj است. پس برخلاف مدل PNN، پارامتر هموارکننده بر مقیاس تأثیرگذار است. پس تابع شعاع مبنا یک تابعی است که با فاصله گرفتن از مرکز، یکنواختی پاسخ آن کاهش می‌یابد ]25[. خروجی شبکه، یک ترکیب خطی توابع شعاع مبنا ورودی و پارامتر‌های نورون است که محاسبات برآورد پارامتر مورد نظر نیز به‌صورت زیر نوشته می‌شود:

(7)        img0

که در رابطه 7، Xn تعریف نشده و M نیز شمار پارامتر‌های تعریف نشده است. از این رو، Wj یک وزن بر پایه فاصله بین نقطه مورد نظر و نقاط آموزشی است.

شبکه عصبی احتمالی در اختصار PNN یک شبکه عصبی است که با اعمال پنجره پارزن23 بر داده‌ها نیز عمل می‌کند. از شبکه PNN همواره می‌توان برای برآورد داده‌های پیوسته و یا گسسته و همچنین برای مشخص‌کردن رابطه میان داده‌های ورودی و خروجی، به‌عنوان یک روش سریع و مطمئن بهره‌گیری کرد. اگر بردار xi به‌عنوان ورودی شبکه PNN تعریف شده باشد در آن صورت خروجی On(xi) نیز از طریق جمع خطی n نقطه اطلاعاتی در بخش آموزش بر پایه رابطه 8 نیز به‌دست می‌آید.

(8)        img0

 

که در رابطه 8، D(x, xi) فاصله بین داده ورودی x با هر یک از داده‌های آموزشی آن است که از طریق رابطه 9 نیز به‌دست می‌آید.

(9)        img0

که در رابطه 9، k تعداد نقاط اطلاعاتی ورودی است و همچنین، ρj فاکتور مقیاس فاصله24 برای هر یک از نشان‌گرهای ورودی است که تنها پارامتر PNN است که نیاز به تنظیم‌‌شدن دارد. این شبکه در مقایسه با دیگر شبکه‌های عصبی مصنوعی، مانند MLP که دارای پارامترهای بسیاری برای تنظیم‌شدن هستند، بسیار راحت‌تر، سریع‌تر و مؤثرتر تنظیم می‌شود ]21[. مقدار بهینه ρj در شرایط کمترین مقدار خطا نیز به‌دست می‌آید که در این حالت، نمونه موردنظر خارج شده و کوشش می‌شود که با بهره‌گیری از دیگر نمونه‌ها به برآورد نمونه مورد نظر پرداخته شود و سپس با تکرار این فرآیند برای دیگر نمونه‌ها، به تعیین خطا به وسیله میانگین‌گیری از خطاها پرداخته می‌شود ]23[ که البته لازم به یادآوری است که در این پژوهش از روش ارزیابی چاه‌به‌چاه بهره‌گیری شد.

یافته‌ها و گفتگو

همان‌گونه که در بخش پیشین گفته شد، نخستین گام، همبستگی داده‌های چاه‌نگاری با داده لرزه‌ای است. پس از ایجاد همبستگی، موجک میانگین تهیه شد که در شکل 7 تطابق موجک میانگین با چاه HD_3 و در جدول 1 همبستگی پایانی هر چاه با بهره‌گیری از موجک میانگین نشان داده شد. به این فرآیند تطبیق داده‌های چاه با داده‌های لرزه‌ای25 گفته می‌شود. در مرحله بعدی، کوشش شد بر پایه سرسازندهای چاه، برروی داده‌های لرزه‌ای، افق‌های مورد نظر مشخص شوند که از این‌رو می‌توان در شکل 8، مدل نهایی از افق‌های سه‌بعدی مشخص شده را دید. پس از ایجاد همبستگی مناسب، استخراج موجک میانگین، ایجاد افق‌های مورد نظر برروی داده‌های لرزه‌ای، آماده آغاز فرآیند بازگردانی برای شناسایی امپدانس صوتی در کل پیکره سازند آسماری است.

img0 

شکل 7 تطابق موجک میانگین با چاه HD_3

جدول 1 همبستگی پایانی برای هر چاه با بهره‌گیری از موجک میانگین

همبستگی

چاه

% 4/81

HD_1

% 5/74

HD_2

% 3/88

HD_3

% 1/85

HD_4

% 3/88

HD_5

% 2/82

HD_6

 

% 9/70

HD_7

img0 

شکل8 افق‌های پایانی سه‌بعدی مشخص شده در کل پیکره سازند آسماری

همان طور که گفته شد، روش بازگردانی مورد استفاده در این پژوهش، بازگردانی بر پایه مدل است که می‌توان پارامترهای پایانی مدل‌سازی بازگردانی در جدول 2 را دید. همچنین می‌توان نتیجه ارزیابی داده‌های مدل‌سازی شده نسبت به داده‌های واقعی، در محل هر چاه را در جدول 3، نتیجه ارزیابی و بررسی امپدانس صوتی ایجاد شده با امپدانس صوتی واقعی موجود در چاه HD_3 را در شکل 9 و نمایی از بُرش امپدانس صوتی مدل‌سازی شده در محل چاه HD_5 را در شکل 10 دید.

جدول 2 پارامترهای بهینه مدل سازی پایانی بازگردانی

مقدار

پارامتر

0004/0

حدود مدل

2 ms

اندازه میانگین بلوک

1%

مقدار اولیه

8 بار

ییشینه شمار تکرار

 

جدول 3 نتایج ارزیابی بازگردانی پایانی نسبت به داده‌های موجود در محل چاه

خطای مدل سازی

تطابق ردلرز

چاه

2080/0

9836/0

HD_1

1374/0

9949/0

HD_2

2161/0

9873/0

HD_3

2687/0

9674/0

HD_4

1530/0

9919/0

HD_5

2569/0

9741/0

HD_6

2193/0

9904/0

HD_7

 

 

 

 

 

 

img0 

شکل 9 نتیجه ارزیابی و ببرسی امپادانس صوتی ایجاد شده در محل چاه HD_3

img0 

شکل 10 نمایی از بُرش امپدانس صوتی مدل‌سازی شده در چاه HD_5

پس از اجرای فرآیند بازگردانی، امپدانس صوتی ایجاد شده به‌عنوان یک نشان‌گر لرزه‌ای خارجی نیز به کار می‌رود. در این گام باید در ابتدا داده‌های موجود را نسبت به چاه‌های موجود ارزیابی کرد. در شکل 11 نتیجه ارزیابی داده‌ها نسبت به چاه‌ها آورده شد که بر پایه توضیحات بخش پیشین، چاه HD_7 باعث ناپایداری مدل‌سازی می‌شود و حذف شد.

img0 

شکل 11نتیجه ارزیابی داده‌ها بر پایه چاه‌ها

پارامترهای بهینه مدل‌سازی نشان‌گرهای چندگانه در جدول 4 آورده شد. همچنین بر پایه ارزیابی انجام گرفته بر نشان‌گرهای چندگانه، همان طور که در شکل 12 نشان داده شد، 11 نشان‌گر نخست به‌عنوان نشان‌گرهای بهینه انتخاب شد، چرا که خط قرمز نشان دهنده آن است که این شمار نشان‌گر باعث کاهش خطای ارزیابی می‌شود و در جدول 5 نیز لیست نشان‌گرهای پایانی استخراج شده برای برآورد تخلخل آورده شد.

جدول 4 پارامترهای بهینه مدل‌سازی نشان‌گرهای چندگانه

مقدار

پارامتر

15

بیشینه شمار نشان‌گرها

1

طول عملگر

35/0

مقدار اولیه

0

عملگر انحراف از مرکز

 

img0 

شکل 12 نتایج ارزیابی نشان‌گرهای چندگانه پایانی

جدول 5 لیست نشان‌گرهای چندگانه پایانی استخراج شده برای برآورد تخلخل

شمار

هدف

نشان‌گر

خطا

تطابق

1

تخلخل

ریشه دوم امپدانس صوتی

040191/0

755488/0

2

تخلخل

لگاریتم امپدانس صوتی

040219/0

755084/0

3

تخلخل

امپدانس صوتی

040291/0

754062/0

4

ریشه دوم تخلخل

امپدانس صوتی

040318/0

746144/0

5

ریشه دوم تخلخل

ریشه دوم امپدانس صوتی

040418/0

744256/0

6

ریشه دوم تخلخل

مجذور امپدانس صوتی

040506/0

745032/0

7

مجذور تخلخل

معکوس امپدانس صوتی

040558/0

743974/0

8

ریشه دوم تخلخل

لگاریتم امپدانس صوتی

040664/0

740664/0

9

تخلخل

معکوس امپدانس صوتی

040684/0

748435/0

10

لگاریتم تخلخل

مجذور امپدانس صوتی

040696/0

717357/0

11

تخلخل

مجذور امپدانس صوتی

040844/0

746120/0

12

لگاریتم تخلخل

امپدانس صوتی

041007/0

711098/0

 

پس از مشخص شدن لیست نشان‌گرهای لرزه‌ای بهینه، به طراحی و تنظیم پارامترهای شبکه‌های عصبی مختلف به گونه‌ای پرداخته شد که مانع از رخ دادن پدیده بیش برازش26 شود. فرآیند بیش برازش فرآیندی است که در آن شبکه دارای کارکرد عالی در دسته داده‌های آموزشی است اما کارکرد بسیار ضعیفی در دسته داده‌های اعتبارسنجی دارد که علت اصلی آن تطابق بیش از حد سیستم با دسته داده‌های آموزشی است. برای جلوگیری از این پدیده سعی شده است که پارامترهای بهینه به گونه‌ای تعیین شوند که دارای بالاترین دقت آموزشی و کمترین خطای پیش‌بینی باشند، پس با روش آزمون و خطا و با در نظر گرفتن شرط بیان شده تلاش شده است که در تکرار دفعات بالا نیز نتایج کارکرد سیستم بررسی شود. در طراحی این شبکه‌ها دو گزینه ابتدایی یعنی وجود روند خاص در میان داده‌ها و همچنین نوع کارکرد شبکه‌ها کاملاً یکسان می باشد. در صورت وجود روند خاص، مثلاً روند افزایشی و یا کاهشی با افزایش ژرفا نیز باعث بهبود کارکرد شبکه می‌شود که البته در این پژوهش چنین نبوده است. همچنین، نوع کارکرد این شبکه‌ها به حالت پیش‌بینی عددی با عنوان "به تصویر کشیدن"27 تنظیم شده است. پارامترهای بهینه شبکه MLFN در جدول 6 نمایش داده شد. هرچه شمار گره‌ها و یا همان شمار نرون‌ها در لایه نهان بیشتر باشد شبکه تنظیم شده دارای دقت بیشتر و خطای کمتری در بخش آموزشی دارد. اما اگر از شمار بهینه نرون فراتر رود باعث رخ دادن فرآیند بیش برازش می شود. از سوی دیگر، اگر شمار نرون‌ها از شمار بهینه آن‌ها کمتر باشد دقت کمی در برآورد خواهد داشت. مقدار بهینه شمار نرون‌ها در لایه نهان، 6 عدد است. پارامتر بعدی، بیشینه دفعات تکرار فرآیند است. زمانی که شمار داده‌های آموزشی کم باشد، با بهره‌گیری از تکرار فرآیند آموزش شبکه کوشش در تنظیم بهتر و دقیق‌تر آن خواهد شد که البته اگر دفعات تکرار بیش از مقدار بهینه شود باعث رخ دادن فرآیند بیش برازش می‌شود. مقدار بهینه بیشینه دفعات تکرار فرآیند، 3 است. همچنین، پارامتر بعدی در واقع تعیین کننده شمار تکرار برای تنظیم شبکه است. برای حل روابط غیرخطی معمولاً با بکارگیری فرآیند تکرار و آموزش نیز به شناسایی روابط پیچیده پرداخته می‌شود (جدول 6). مقدار این پارامتر کمتر از پارامتر بیشینه دفعات تکرار فرآیند، یعنی 2 بار است.

جدول 6 پارامترهای بهینه شبکه پایانی MLFN

نوع شبکه عصبی

چند لایه پیشخور

آیا داده ها دارای روند خاصی می باشند؟

خیر

نوع فرآیند

برآورد عددی

تعداد گره ها در لایه نهان

6

تعداد کل تکرار

3

تعداد تکرار گرادیان توام

2

 

در جدول 7 پارامترهای بهینه شبکه PNN نمایش داده شده است. اولین پارامتر این شبکه، پارامتر سیگما و یا همان پارامتر Smoothing است که هر چه مقدار این پارامتر بیشتر باشد اثر نقاط اطلاعاتی اطراف داده مورد نظر در تعیین مقدار آن بیشتر خواهد شد. به‌عبارت دیگر ، تأثیر همسایگی نقاط اطلاعاتی بر هدف افزایش خواهد یافت. مقدار بهینه پارامتر یاد شده 13 است. در بخش بعدی بازه مورد نظر، برای پارامتر سیگما تعیین می‌شود یعنی نقاط اطلاعاتی که در این بازه نسبت به هدف قرار دارند در برآورد آن نقطه اطلاعاتی تأثیرگذار می‌باشند. اگر بازه تعیین شده بسیار کوچک باشد، شبکه اطلاعاتی را برآورد می‌کند که پیوستگی خاصی با یکدیگر ندارند و اگر بازه مورد نظر خیلی بزرگ باشد اطلاعات برآورد شده همانند یکدیگر بوده و قدرت جداسازی برآورد شبکه کاهش می‌یابد. مقدار بهینه این بازه 1/0 تا 4/3 واحد است. روش ارزیابی شبکه به‌صورت چاه‌به‌چاه انتخاب شده است که علت آن هم گستردگی زیاد محیط مورد بررسی است که ارزیابی به‌صورت نقطه به نقطه به‌علت ناهمگنی اطلاعات باعث کاهش راندمان کار می‌شود. پس بهتر است که مقیاس را بزرگ‌تر کرده و از روش چاه‌به‌چاه که پراکندگی کمتری نسبت به نقاط اطلاعاتی مورد استفاده دارد، بهره‌گیری شود. و اما آخرین بخش مربوط به شمار دفعات تکرار فرآیند آموزش است که در بخش پیشین شرح داده شد. مقدار بهینه این پارامتر 3 بار است.

جدول 7 پارامترهای بهینه شبکه PNN پایانی

نوع شبکه عصبی

احتمالی

آیا داده ها دارای روند خاصی می باشند؟

خیر

نوع فرآیند

برآورد عددی

تعداد سیگماهای مورد استفاده

13

مقدار سیگمای مورد استفاده

400/3 – 100/0

نوع ارزیابی

چاه‌به‌چاه

تعداد تکرار گرادیان توام

3

 

در آخر پارامترهای بهینه شبکه RBF در جدول 8 دیده می‌شود. در این شبکه از پارامتر هموارکننده به‌علت توانایی بالا و دقت قابل قبول در برآورد نقاط اطلاعاتی نیز بهره‌گیری نشده است؛ زیرا به‌کارگیری آن باعث کاهش دقت و افزایش همانندی میان اطلاعات برآورد شده می‌شد. همچنین، محاسبه پارامتر سیگما به‌صورت هوشمند انتخاب شده است که در این حالت سیستم کوشش می‌کند با بهره‌گیری از روش رگرسیون غیرخطی، مناسب‌ترین مقدار نشان‌گر فاصله‌ای را برای نقاط اطلاعاتی مورد نظر تعیین کند. نیاز به یادآوری است که با کاهش مقدار پارامتر سیگما وزن‌های به‌دست آمده به مقادیر آموزشی همگرا می‌شوند و بالعکس. همچنین، تفاوت پارامتر هموارکننده یاد شده در جدول 6 با پارامتر سیگما این است که پارامتر سیگما به‌دلیل تأثیرگذاری بر نشان‌گر فاصله، بر شباهت بین نقاط اطلاعاتی برآورد شده با نقاط اطلاعاتی آموزشی نیز تأثیرگذار است. همواره در مدل‌سازی‌ها یک مقدار اولیه28 به ورودی‌های یک شبکه برای ایجاد پایداری و داشتن کارکرد نزدیک به واقعیت، به منظور در نظر گرفتن نوفه موجود در داده‌ها اضافه می‌شود که مقدار آن در این پژوهش 100% و یا یک واحد است. این مقدار اولیه در تعیین وزن شبکه تأثیرگذار است. و اما آخرین پارامتر شبکه RBF، دسته‌بندی کردن داده‌‌ها است. در پژوهش‌هایی که داده‌های مورد استفاده دارای ویژگی‌های همانند و نزدیک به یکدیگر هستند، دسته‌بندی داده‌ها و نسبت دادن نقاط اطلاعاتی مورد نظر به‌دسته‌های ایجاد شده باعث افزایش دقت اطلاعات برآورد شده می‌گردد. اما در این پژوهش به‌دلیل ناهمگنی و شباهت کم اطلاعات مورد استفاده، از دسته‌بندی داده‌ها استفاده نشد.

جدول 8 پارامترهای بهینه شبکه RBF پایانی

مقدار

پارامتر

خیر

آیا داده‌های روند خاصی دارند؟

هیچ

پارامتر هموارکننده

هوشمند

محاسبه پارامتر سیگما

100%

مقدار اولیه

خیر

آیا می‌خواهید از دسته‌بندی استفاده شود؟

 

پس از تعیین و طراحی شبکه‌های بهینه، با استفاده از خطای مجذور میانگین ریشه‌ها29 و ضریب همبستگی نیز به ارزیابی کارکرد شبکه‌ها پرداخته شد. با استفاده از ضریب همبستگی به توان و دقت شبکه در برآورد پارامتر مورد نظر و با استفاده از RMSE نیز به توان شبکه در شناسایی روند تغییرات آن نیز می‌توان پی برد. نتایج به‌دست آمده از کارکرد شبکه‌ها در برآورد تخلخل چاه HD_1 و HD_6 نیز به‌ترتیب در جدول‌های 9 و 10 آورده شده است.

جدول 9 کارکرد شبکه‌ها در برآورد تخلخل چاه HD_1

ضریب همبستگی

RMSE

روش

899568/0

0199084/0

RBFN

917815/0

0198960/0

PNN

863017/0

0271974/0

MLFN

 

جدول 10 کارکرد شبکه‌ها در برآورد تخلخل چاه HD_6

ضریب همبستگی

RMSE

روش

622404/0

0524825/0

RBFN

7104735/0

0637268/0

PNN

4087330/0

0769302/0

MLFN

 

نتیجه‌گیری

بر پایه جدول‌های 9 و 10، شبکه MLFN دارای ضعیف‌ترین کارکرد بوده چرا که بالاترین خطا و کمترین ضریب همبستگی را ثبت کرده است. اما دو شبکه دیگر دارای کارکرد بسیار نزدیک به هم بوده‌اند که البته مقدار اندکی شبکه PNN نسبت به شبکه RBFN در دقت برآورد تخلخل و همچنین، در شناسایی روند تغییرات آن کارکرد بهتری داشت. در رابطه با شبکه‌های باقی‌مانده، در این چاه علی‌رغم بهتر بودن ضریب همبستگی PNN، شبکه RBFN دارای دقت بالاتری در برآورد تخلخل در چاه HD_6 بود. بنابراین، شبکه MLFN دارای بدترین کارکرد نسبت به سایر شبکه‌ها در برآورد تخلخل هم در بخش درون‌یابی و هم در بخش برون‌یابی بود. شبکه RBFN کارکرد خوب و قابل قبولی در برآورد تخلخل در بخش درون‌یابی داشت، اما برون‌یابی بخشی آن باعث برتری این شبکه شد و نشان دهنده قدرت بالای شبکه در شناسایی روند موجود میان پارامترهای گوناگون و تعمیم‌پذیری آن است که باید این شبکه را به‌عنوان بهترین شبکه برای برون‌یابی تخلخل در بین این سه شبکه دانست. شبکه PNN بهترین کارکرد را در برآورد تخلخل در بخش درون‌یابی داشت که می‌توان قابل اعتمادترین شبکه برای مطالعات درون‌یابی دانست، اما در بخش برون‌یابی قدرت برآورد کمتری نسبت به RBFN داشت. 

 

سپاس‌گزاری

از گروه مهندسی نفت و معدن دانشگاه بین‌المللی امام خمینی برای فراهم کردن زمینه این پژوهش و از شرکت نفت فلات قاره برای داده‌های نفتی مورد نیاز سپاس‌گزاریم.


نشانه‌ها و نمادها

MLFN: شبکه عصبی پیش­خور چند لایه

RBFN: شبکه عصبی شعاع مبنا

PNN: شبکه عصبی احتمالی

MLP: شبکه چند لایه

M: تعداد ورودی تابع جند لایه ادراکی

K: تعداد گره‌های شبکه چند لایه ادراکی

xTj: ورودی شبکه چند لایه ادراکی

y(1)kj: خروجی لایه اول شبکه MLP

y(2)j: ورودی لایه نهان شبکه سه لایه‌ای MLP

z(2)j: خروجی پایانی شبکه MLP

 Si و Sj: نمونه‌های شناخته شده در شبکه RBF

Xn: نمونه ناشناخته شبکه RBF

Wi: وزن به‌دست آمده برای شبکه RBF

Φi ویا g: تابع پایه شبکه RBF

Σ: پارامتر هموارساز، بی بعد RBF

: : فاصله مقیاسی در شبکه RBF

y(Xa): خروجی پایانی شبکه RBF

On(xi): خروجی شبکه PNN

D(x, xi): فاصله بین نمونه مورد نظر با داده‌های آموزشی در شبکه PNN

Ρj: فاکتور مقیاس فاصله در شبکه PNN

 


References 

[1] AMINI, A., MOVAHED, B., BEHZAD, ASIRI, H., and MARZAYI, TABESH, F., 2014, Design of Artificial Neural Network for Prediction of Porosity of Asmari Reservoir in Rag-Sefied Field Using Logarithmic and Porous Porosity Data: 3rd National Oil, Gas and Petrochemical Conference, Gachsaran, Iran.4-5.

[2] ANEES, M., 2013, Seismic attribute analysis for reservoir characterization: 10th Biennial International Conference and Exposition on the theme “Changing Landscapes in Geophysical Innovations”, India, 119-122.

[3] ASOODEH, M., and BAGHERIPOUR, P., 2013, Core porosity estimation through different training approaches for neural network: back-propagation learning vs. genetic algorithm: International Journal of Computer Applications, 63, 5:11–15.

[4] BEDI, J., and TOSHNIWAL, D., 2019, PP-NFR: an improved hybrid learning approach for porosity prediction from seismic attributes using non-linear feature reduction: Journal of Applied Geophysics, 166, 22-32.

[5] CAO, J., YANG, J., WANG, Y., WANG, D., and SHI, Y., 2015, Extreme Learning Machine for Reservoir Parameter Estimation in Heterogeneous Sandstone Reservoir: Mathematical Problems in Engineering, 287816, 1-10.

[6] CHOPRA, S., and MARFURT, K.J., 2007, Seismic Attributes for Prospect Identification and Reservoir Characterization: (chapter 1) 1st ed. Society of Exploration Geophysicists. 1-24.

[7] ELKATANY, S., TARIQ, Z., MAHMOUD, M., and ABDULRAHEEM, A., 2018, New insights into porosity determination using artificial intelligence techniques for carbonate reservoirs: Petroleum Journal, 4, 4:1-11.

[8] EZEKWE, J.N., 2003, Applied Reservoir Management Principles with Case Histories: SPE Annual Technical Conference and Exhibition. Colorado. 5-8.

[9] FAUSETT, L.V., 1994, Fundamentals of Neural Networks Architectures: Algorithms and Applications (chapter 1) 1st ed. Pearson. 3-4

[10] GHARECHELOU, S., AMINI, A., KADKHODAIE-ILKHCHI, A., and MORADI, B., 2015, An integrated approach for determination of pore-type distribution in carbonate-siliciclastic Asmari Reservoir, CHESHMEH-KHOSH Oilfield, SW Iran: Journal of Geophysics and Engineering, 12, 793-809.

[11] GHAZBAN, F., 2007, Petroleum Geology of the Persian Gulf (chapter 9) 1st ed. Tehran, Tehran University and National Iranian Oil Company publication, 586-587.

[12] GHOLAMI, A., and ANSARI, H.R., 2017, Estimation of porosity from seismic attributes using a committee model with bat-inspired optimization algorithm: Journal of Petroleum Science and Engineering, 152, 238-249.

[13] HOSSEINI, A., ZIAII, M., KAMKAR ROUHANI, A., ROSHANDEL, A., GHOLAMI, R., and HANACHI, J., 2011, Artificial Intelligence for prediction of porosity from Seismic Attributes: Case study in the Persian Gulf: Iranian Journal of Earth Sciences, 3. 2:168-174.

[14] HUUSE, M., and FEARY, D.A., 2005, Seismic inversion for acoustic impedance and porosity of Cenozoic cool-water carbonates on the upper continental slope of the Great Australian Bight: Marine Geology, 215, 3-4:123-134.

[15] ITURRARÁN-VIVEROS, U., and PARRA, J.O., 2014, Artificial Neural Networks applied to estimate permeability, porosity and intrinsic attenuation using seismic attributes and well-log data: Journal of Applied Geophysics, 107, 45-54.

[16] MCCULLOCH, W.S., and PITTS, W., 1943, A logical calculus of the ideas immanent in nervous activity: Bulletin of Mathematical Biophysics, 5, 115–133.

[17] MCPHEE, C., REED, J., and ZUBIZARRETA, I., 2015, Core Analysis: A Best Practice Guide, (chapter 8) 1st ed. Edinburgh, Elsevier Publication, 347-448.

[18] MOJEDDIFAR, S., KAMALI, G., RANJBAR, H., and SALEHIPOUR BAVARSAD, B., 2014, A comparative study between a pseudo-forward equation [pfe] and intelligence methods for the characterization of the North Sea reservoir: International Journal of Mining and Geo-Engineering, 48. 2:173–190.

[19] ORR, M.J., 1996, Introduction to Radial basis function neural networks: Research Report for the Institute of Adaptive and Neural Computation, University of Edinburgh. 9-11.

[20] POWELL, M.J.D., 1987, Radial basis functions for multivariable interpolation: a review, Algorithms for Approximation: Clarendon. 143– 167.

[21] RONEN, S., SCHULTZ, P.S., HATTORI, M., and CORBETT, C., 1994, Seismic guided estimation of log properties, Part 1, 2 and 3: The Leading Edge, 13: 305-10, 674-678, 770-776.

[22] RUSSELL, B.H., 1988, Introduction to seismic inversion methods (Chapter 8) 1th ed. Calgary, Society of exploration Geophysicist, 1-14.

[23] RUSSELL, B.H., 2004, The application of multivariate statistics and neural networks to the prediction of reservoir parameters using seismic attributes: Ph.D. thesis, Faculty of Graduate Studies, Dissertation University of Calgary. 17-18.

[24] SOLEIMANI, B., BAHADORI, A., and MENG, F., 2013, Microbiostratigraphy, microfacies and sequence stratigraphy of upper cretaceous and Paleogene sediments, Hendijan oil field, Northwest of Persian Gulf, Iran: Natural Science, 5. 11:1165-1182.

[25] SPECHT, D.F., 1990, Probabilistic neural networks: Neural Networks, 3, 1:109–118.

[26] TARANTOLA, A., 2005, Using the Solution of the Inverse Problem, 1st ed. Paris, Society for Industrial and Applied Mathematics, 37-38.

[27] YAZDANIAN, J., and NOORI, B., 2007, Geological Final Report-Well HD_7, Iranian Offshore Oil Company, 57.

 

 


 

 

 

 

Comparison of the function of conventional neural networks for estimating porosity in one of the southeastern Iranian oil fields

Farshad Tofighi1, Parviz Armani2[1], Ali Chehrazi3, Andisheh Alimoradi4

1Department of Mining, Faculty of Engineering, Imam Khomeini International University

2 Department of Geology, Faculty of Sciences, Imam Khomeini International University

3Head of Exploration Project Management, Iranian Offshore Oil Company

4Department of Mining, Faculty of Engineering, Imam Khomeini International University

In the oil industry, artificial intelligence is used to identify relationships, optimize, estimate and classify porosity. One of the most important steps in evaluating the petrophysical parameters of the reservoir is to identify the porosity properties. The main purpose of this study is to compare the accuracy and generalizability of three multilayer feed neural networks (MLFNs), radius base function networks (RBFNs) and probabilistic neural networks (PNNs) to estimate porosity using seismic properties. In this regard, geological data of 7 wells were evaluated from an offshore oil field in Hindijan in the northwest of the Persian Gulf basin. Acoustic impedance was estimated using model-based inversion method and then the mentioned neural networks were designed using optimal seismic properties and evaluated by stepwise regression method. Finally, it became clear that the MLFN model did not work well for estimating porosity. PNN has the best performance accuracy in porosity interpolation, but RBFN generalizability is better.

 

Keywords: seismic inversion, porosity estimation, MLFN, RBFN, PNN

[1]  Computerized Tomography Scan (CT Scan)

[2]  Nuclear Magnetic Resonance (NMR)

[3]  Inversion

[4]  Shear Wave Velocity (VS)

[5]  Pressure Wave Velocity (VP)

[6]  Elastic

[7]  Flow Units

[8]  Multi-layer Feed Forward Neural Network (MLFN)

[9]  Radial Basis Function Network (RBFN)

[10]  Probabilistic Neural Network (PNN)

[11]  Check Shot Data

[12]  Reflection Coefficient (RC)

[13]  Model based Inversion

[14]  Black Box

[15]  Multi-layer Perceptron (MLP)

[16]  Neuron

[17]  Activation Function

[18]  Feed Forward

[19]  Regularization

[20]  Gaussian Function 

[21]  Basis

[22]  Smoothing

[23]  Parzen Window

[24]  Distance Scale Factor

[25]  Well-to-Seismic Tie

[26]  Over Fitting 

[27]  Mapping

[28]  Prewhitening

[29]  Root Mean Square Error (RMSE) 


Related articles

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2017-2024

Home| Login| About Rimag| Contact Us|
[فارسی] [العربية] [fa] [ar]