چکيده
امروزه استفاده از قابليت هاي هوش مصنوعي (AI) در مهندسي نفت بسيار مورد توجه قرار گرفته است.يكي از زمينه هاي استفاده ازهوش مصنوعي در مهندسي نفت درپيش بيني تخلخل وتراوايي است.
تخلخل، درصد حفره ها و فضاهاي باز در يك سنگ است. هرچه تخلخل سنگ بيشتر باشد ، توانايي آن در نگهداري آب و نفت وگاز بيشتر خواهد بود. تخلخل براي ارزيابي حجم بالقوه هيدروكربنهاي موجود در يك مخزن بسيار مهم است. تروايي توانايي انتقال سيالات از طريق منافذ سنگ است. اگرچه ممكن است يك سنگ بسيار متخلخل باشد ولي لزوماً بسيار نفوذپذير نيست. نفوذپذيري، اندازه گيري چگونگي ارتباط متقابل فضاهاي متخلخل جداگانه در يك سنگ يا رسوب است. نفوذپذيري يك پارامتر كليدي در ارتباط با توصيف هر مخزن هيدروكربني است. اندازه گيري تخلخل و نفوذپذيري غالباً با استفاده ازپلاگ هاي استخراج شده ازنمونه هاي مغزه ويا آناليز چاه آزمايي انجام مي شود. اين روش ها بسيار پرهزينه و زمانبر هستند. داده هاي چاه پيمايي(well log) منبع ديگري از اطلاعات است كه هميشه در دسترس و بسيار ارزان تر از نمونه مغزه و آناليز چاه آزمايي است. بنابراين برقراري ارتباط بين ويژگي هاي مخزن و داده هاي چاه پيمايي مي تواند در تخمين اين پارامترهاي حياتي بسيار مفيد باشد. داده ها براي ايجاد رابطه بين نفوذپذيري وتخلخل با ارزش هستند و هر دو به عنوان شاخص هاي استاندارد كيفيت مخزن در صنعت نفت و گاز به حساب مي آيند.با اين وجود ، ايجاد ارتباط بين چاه پيمايي و ويژگي هاي مخزن كار ساده اي نيست و نمي توان با استفاده از يك روش ساده خطي يا غيرخطي انجام داد. رگراسيون برداري(RVR) يكي از الگوريتم هاي قوي هوش مصنوعي است كه در شناخت روابط بين پارامترهاي ورودي و خروجي بسيار موفق است. هدف ازاين مطالعه استفاده از قابليت هاي آناليزداده و هوش محاسباتي در پيش بيني دو ويژگي مهم مخزن نفتي يعني تخلخل و نفوذپذيري است.
