چکیده:
تراوایی یکی از مهمترین این خواص است که به صورت یک مسأله اساسی براي مهندسین نفت باقی مانده است .اطلاعات مربوط به سنگ متخلخل مخزن به ویژه تراوایی، به مهندسین نفت توانایی طراحی و مدیریت مؤثر جهت توسعه میدان هاي نفت و گاز را می دهد. یک روش جایگزین براي روش مدل کردن پارامتري، استفاده از شبکه هاي عصبی مصنوعی میباشد .در سال هاي اخیر، شبکه هاي عصبی به عنوان ابزارهاي قدرتمندي براي مدل کردن سیستم هاي پیچیده مطرح شده اند .این شبکه ها روش هاي تحلیل بدون الگوریتم داده هاي حجیم آنالوگ را میسر می سازند .از آنجا که تحلیل داده ها و آموزش این شبکه ها به صورت موازي و توزیع شده انجام می گیرد، آنها توانایی تشخیص روابط بسیار پیچیده بین متغیرهاي متعدد ارائه شده به شبکه را دارند .هدف این کار ایجاد ارتباط بین عمق سنگ، تخلخل به دست آمده از لاگ و تراوایی حاصل از تحلیل مغزه و استفاده از رابطه مذکور جهت پیش بینی مقادیر تراوایی در چاههایی که مغزه گیري انجام نشده است، می باشد. تعیین تراوایی سنگ و توزیع آن در یک مخزن هیدروکربنی ناهمگن، مسال هاي بدون راه حل مشخص و مستقیم است. تا به امروز، محققان بسیاري تلاش کرد هاند تا روابط پارامتري بین تراوایی و ویژگی هایی از مخزن هیدروکربنی که مستقیما قابل اندازه گیري هستند، مانند تخلخل و عمق بیابند. هرچند به علت طبیعت بسیار پیچیده مساله، روابط ارایه شده دقیق و قابل اعتماد نیستند. تلاش هایی براي استفاده از شبکه هاي عصبی مصنوعی در تشخیص رابطه اي که بین تراوایی و
تخلخل و عمق یک مخزن وجود دارد صورت پذیرفته است . در این مطالعه، الگوریتم لونبرگ -مارکوارت براي تخمین تراوایی یک مخزن هیدروکربنی در ایران به کار گرفته شده است . با انجام سه تست در مراحل آموزش ، تایید و آزمون به کمترین خطا نسبت به دادهاي اصلی خواهیم رسید. که با توجه به نتایج آزمایش حدود 87 درصد با یکدیگر تطابق دارند .
تراوایی یکی از مهمترین این خواص است که به صورت یک مسأله اساسی براي مهندسین نفت باقی مانده است .اطلاعات مربوط به سنگ متخلخل مخزن به ویژه تراوایی، به مهندسین نفت توانایی طراحی و مدیریت مؤثر جهت توسعه میدان هاي نفت و گاز را می دهد. یک روش جایگزین براي روش مدل کردن پارامتري، استفاده از شبکه هاي عصبی مصنوعی میباشد .در سال هاي اخیر، شبکه هاي عصبی به عنوان ابزارهاي قدرتمندي براي مدل کردن سیستم هاي پیچیده مطرح شده اند .این شبکه ها روش هاي تحلیل بدون الگوریتم داده هاي حجیم آنالوگ را میسر می سازند .از آنجا که تحلیل داده ها و آموزش این شبکه ها به صورت موازي و توزیع شده انجام می گیرد، آنها توانایی تشخیص روابط بسیار پیچیده بین متغیرهاي متعدد ارائه شده به شبکه را دارند .هدف این کار ایجاد ارتباط بین عمق سنگ، تخلخل به دست آمده از لاگ و تراوایی حاصل از تحلیل مغزه و استفاده از رابطه مذکور جهت پیش بینی مقادیر تراوایی در چاههایی که مغزه گیري انجام نشده است، می باشد. تعیین تراوایی سنگ و توزیع آن در یک مخزن هیدروکربنی ناهمگن، مسال هاي بدون راه حل مشخص و مستقیم است. تا به امروز، محققان بسیاري تلاش کرد هاند تا روابط پارامتري بین تراوایی و ویژگی هایی از مخزن هیدروکربنی که مستقیما قابل اندازه گیري هستند، مانند تخلخل و عمق بیابند. هرچند به علت طبیعت بسیار پیچیده مساله، روابط ارایه شده دقیق و قابل اعتماد نیستند. تلاش هایی براي استفاده از شبکه هاي عصبی مصنوعی در تشخیص رابطه اي که بین تراوایی و
تخلخل و عمق یک مخزن وجود دارد صورت پذیرفته است . در این مطالعه، الگوریتم لونبرگ -مارکوارت براي تخمین تراوایی یک مخزن هیدروکربنی در ایران به کار گرفته شده است . با انجام سه تست در مراحل آموزش ، تایید و آزمون به کمترین خطا نسبت به دادهاي اصلی خواهیم رسید. که با توجه به نتایج آزمایش حدود 87 درصد با یکدیگر تطابق دارند .
