چکيده
در طول عمر يك ميدان، تنها راه برقراري تماس با مخزن از طريق چاه با اندازه گيري داده هاي غيرمستقيم است. روش هاي مختلفي براي تخمين خواص مخزن مانند آناليز هسته وچاه نگاري وجود دارد كه تنها قادر به بدست آوردن خواص در يك چاه هستند. اما، چاه آزمايي يك خاصيت متوسط از كل مخزن را نشان مي دهد زيرا مخزن به آشفتگي ايجاد شده در طول دوره آزمايش پاسخ مي دهد. اين سمينار به بررسي الگوريتم هاي شبكه عصبي مصنوعي براي شناسايي خودكار مدل مخزن هاي مختلف آموزش داده شده وبدست آوردن پارامترهاي مهم آن از جمله تراوايي وضريب پوسته مي پردازد. با بررسي برخي از مهم ترين الگوريتم هاي هوش مصنوعي مانندGA,ANN,SVM,GRNN,CNN,MLP,ANNA, FCNN,RF,LSTMN,NARX, PINN,DDQN مشخص شد به دليل نداشتن حجم زياد داده‌هاي چاه آزمايي خروجي ها به چند مدل محدود است. اگر نتوانيم با تعداد داده هاي زياد شبكه ها را آموزش دهيم به نتايج نامعقول مي رسيم. با بررسي چند مقاله مشخص شد كه مي توان با تركيب كردن الگوريتم ها نتايج بهتري گرفت مثل GA, ANN.در نهايت نتيجه گيري مي شود كه يك شبكه عصبي مصنوعي ابزار خوبي براي تجزيه و تحليل چاه آزمايي و تفسير مدل هاي مخزن است در صورتيكه داده هاي زيادي در دسترس باشد و تمام شرايط از جمله زمين شناسي و قوانين فيزيك و اثرات چاه هاي ديگر و شرايط مخزن در نظر گرفته شود. در غير اين صورت به يك مدل ناكارآمد مي رسيم. استفاده از هوش مصنوعي مي تواند دقت محاسبات را بالا برده وهم در زمان وهم انرژي مفسر در مقايسه با روش‌هاي معمولي صرفه‌جويي مي‌كند ودر نتيجه زمان كافي براي قضاوت مهندسي مناسب فراهم مي‌كند. در نهايت با بررسي دقيق الگوريتم هاي توسعه يافته مي توانيم الگوريتمي پيشنهاد كنيم تا با در نظر گرفتن شرايط مخزن از تعداد حجم داده دلخواه پارامترهاي مورد نظر را بدست دهد.
• به منظور افزايش ظرفيت و دقت الگوريتم، الگوريتم بايد با داده هاي چاه آزمايي تجزيه و تحليل شده دوباره آموزش داده شود.
• داده ها بايد براي تعداد زيادي از انواع مخازن ديگر در دسترس قرار گيرد تا يك سيستم تجزيه و تحليل و تفسير چاه آزمايي كاملاً خودكار داشته باشد.
• تاييد واعتبار سنجي الگوريتم بايد با داده هاي واقعي بدست آمده از چاه انجام شود.
كلمات كليدي: چاه آزمايي، هوش مصنوعي ، يادگيري ماشيني
