31048

توليد نمودار چاه‌پيمايي (لاگ)هاي پيشرفته مصنوعي با استفاده از داده هاي نمودار چاه‌پيمايي (لاگ)هاي معمولي با استفاده از الگوريتم¬هاي يادگيري ماشين

كارشناسي ارشد

مهندسي نفت- مهندسي مخازن هيدروكربوري

1400

1402/12/20

حميدرضا جهانگيري - محمدتقي صادقي

ندارم

مهندسي شيمي، نفت و گاز

مهمترين و ارزانترين ابزار براي اندازه‌گيري خواص پتروفيزيكي مخازن هيدروكربوري، مانند تخلخل و تراوايي، لاگ‌هاي پتروفيزيكي هستند. اين لاگ‌ها گاهاً به صورت مستقيم و گاهي در كنار ديگر لاگ‌ها و داده‌هاي چاه براي محاسبه اين خواص استفاده مي‌شوند. براي ثبت و نمايش خواص مخزني، لاگ‌گيري لازم است. هزينه‌هاي عملياتي براي اين عمليات، بسته به عمق چاه و نوع دستگاه مورد استفاده، متفاوت است. بعضي از اين دستگاه‌ها نسبت به ديگر دستگاه‌ها، بيشترين هزينه عملياتي را دارند. همچنين، عمليات لاگ‌گيري ممكن است زمان‌بر باشد، اما با استفاده از روش‌هاي جديد يادگيري ماشين، مي‌توان هزينه‌ها و زمان مورد نياز را كاهش داد. در اين پروژه، براي انجام اين كار، از داده‌هاي 6 چاه از سازند سروك در ايران استفاده كرديم. از اين 6 چاه، لاگ‌هاي دستگاه‌هاي CSNG و DLL و SDL را در اختيار داريم. از هر دستگاه، 12462 رديف داده ثبت شده است. پس از بررسي حساسيت داده‌ها و حذف داده‌هايي كه تاثير كمتري دارند، از دستگاه CSNG لاگ‌هاي GR و GKUT و از دستگاه DLL لاگ‌هاي LLS و LLD را براي ساخت لاگ هاي دستگاه SDL (لاگ هاي NPHI, RHOB, PE) در اختيار داريم. روند انجام اين پروژه به اين صورت است كه در ابتدا، سه مدل شبكه عصبي براي توليد لاگ‌هاي NPHI با استفاده از لاگ‌هاي GR، GKUT، LLD و LLS ساخته مي‌شود. مدل اول يك مدل شبكه عصبي عميق كانولوشني يك بعدي(CNN-1D) است كه شامل 10 لايه است. دو مدل ديگر نيز مدل‌هاي شبكه عصبي هيبريدي هستند كه هر كدام از آن‌ها شامل 4 لايه پنهان هستند. يكي از اين مدل‌ها با استفاده از الگوريتم ژنتيك بهينه شده(GA-MLP) و ديگري با استفاده از الگوريتم ازدحاذرات بهينه شده است(PSO-MLP). و در آخر اين الگوريتم هاي هيبريدي براي ساخت هاي لاگ هاي مصنوعي بهتر عمل كردند كه از اين ميان الگوريتم PSO-MLP نتايج بهتري داشته بود.

1403/04/14

Production of advanced synthetic logs using normal log data using machine learning algorithms

3/10/2025 12:00:00 AM

Petrophysical logs are the most important and cost-effective tools for measuring the petrophysical properties of hydrocarbon reservoirs, such as porosity and permeability. These logs are sometimes used directly and alongside healthy logs and data to calculate these properties. Logging is necessary to record and display reservoir properties. The operational costs for this operation vary depending on the well depth and the type of equipment used. Some of these devices have the highest operational costs compared to others. Logging operations can be time-consuming, but new machine-learning methods reduce the costs and time required. In this project, we used data from 6 wells in the Sarvak Formation in Iran. We have the logs of the CSNG, DLL, and SDL devices from these six wells. Twelve thousand four hundred sixty-two data rows were recorded for each device. After examining the data sensitivity and removing the less influential data, we have the GR and GKUT logs from the CSNG device and the LLS and LLD logs from the DLL device to construct the SDL device logs (NPHI, RHOB, and PE logs). The process of this project is as follows: First, three neural network models are created to generate NPHI logs using the GR, GKUT, LLD, and LLS logs. The first is a 1D convolutional neural network (CNN-1D) model with ten layers. The other two models are hybrid neural network models with four hidden layers. One of these models is optimized using the Genetic Algorithm (GA-MLP), and the other is optimized using the Particle Swarm Optimization algorithm (PSO-MLP). Finally, these hybrid algorithms performed better in constructing the synthetic logs, with the PSO-MLP algorithm showing the best results.

الگوريتم ازدحام ذرات , الگوريتم ژنتيك , شبكه عصبي كانولوشني , شبكه عصبي بازگشتي , لاگ اشعه گاما , لاگ هاي مقاومت , لاگ تخلخل

Particle swarm algorithm , Genetic Algorithm , convolutional neural network , Recurrent Neural Network , Gamma ray log , Resistance logs , Porosity log

Mehrdad Amini

Dr. Hamidreza Jahangiri