مقايسه عملكرد الگوريتم‌هاي يادگيري ماشين SVM و Gradient Boosting در شناسايي رخساره‌هاي سنگي با استفاده از داده‌هاي چاه‌پيمايي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي نفت

كارشناسي ارشد

شناسايي رخساره‌هاي سنگي بر اساس داده‌هاي چاه‌نگاري، نقشي كليدي در مدل‌سازي مخازن هيدروكربوري و كاهش عدم‌قطعيت در تصميم‌گيري‌هاي اكتشافي و بهره‌برداري ايفا مي‌كند. در اين پژوهش، به ارزيابي و مقايسه دو مدل يادگيري ماشين بردار پشتيبان (SVM) و گراديان تقويت شده (GB) در طبقه‌بندي رخساره‌هاي سنگي پرداخته شد. داده‌هاي مورد استفاده شامل اندازه‌گيري‌هاي نگارهاي چاه‌پيمايي از ميدان هيوگتن (Hugoton) در كانزاس است كه داراي 9 كلاس رخساره‌اي با برچسب‌هاي مبتني بر تفسير مغزه‌ها مي‌باشد. در اين مطالعه، از تركيبي از ويژگي‌هاي پتروفيزيكي (گاماي طبيعي، تخلخل نوتروني و چگالي، مقاومت‌ويژه و فاكتور فوتوالكتريك) و متغيرهاي زمين‌شناسي (نوع محيط رسوبي و موقعيت نسبي در چرخه رسوبي) به‌عنوان ورودي مدل‌ها استفاده شد. نتايج نشان داد كه مدل GB با ميانگين ماكرو F1-score برابر 0.58، عملكردي به‌مراتب بهتر از SVM با ميانگين ماكرو F1-score برابر با 0.4 دارد، به‌ويژه در تفكيك رخساره‌هاي كه داراي ويژگي‌هاي پتروفيزيكي مشابه‌اند. تحليل اهميت ويژگي‌ها بيانگر آن بود كه متغير زمين‌شناسي نوع محيط رسوبي تأثيرگذارترين عامل در هر دو مدل است، در حالي كه GB توانايي بهتري در بهره‌گيري از اطلاعات تركيب سنگي به‌ويژه گاماي طبيعي نشان داد. ارزيابي بصري پيش‌بيني‌ها در چاه‌هاي آزمون نيز تأييد كرد كه اين مدل، خروجي‌هايي با پيوستگي بيشتر و هم‌خواني زمين‌شناسي قوي‌تر ارائه مي‌دهد. با اين وجود، عملكرد هر دو مدل تحت تأثير دو دسته محدوديت قرار دارد: (1) چالش‌هاي ذاتي داده‌ها از جمله ماهيت فازي و پيوسته رخساره‌ها، هم‌پوشاني ويژگي‌ها و محدوديت‌هاي فيزيكي اندازه‌گيري‌هاي نگار؛ و (2) محدوديت‌هاي روش‌شناسي به‌ويژه فرض استقلال نمونه‌ها و ناديده گرفتن ساختار دنباله‌اي داده‌هاي چاه‌نگاري. بر اين اساس، پيشنهاد مي‌شود در پژوهش‌هاي آينده از روش‌هايي مانند مدل‌هاي دنباله‌محورLSTM، Transformer، شبكه‌هاي كانولوشني عميق با ورودي‌هاي تصويري سيگنالي، و روش‌هاي فرانمونه برداري هوشمند با حفظ توالي داده‌ها استفاده شود تا ضمن افزايش دقت، پيوستگي زمين‌شناسي خروجي‌ها نيز تقويت گردد. اين پژوهش نشان مي‌دهد كه حتي با استفاده از الگوريتم‌هاي غيرسيكونشيال، مي‌توان با استفاده از ويژگي‌هاي پتروفيزيكي و زمين‌شناسي به نتايج قابل‌قبولي دست يافت؛ با اين حال، بهره‌گيري از معماري‌هايي كه ساختار طبيعي داده‌ها را در نظر مي‌گيرند، آينده‌اي اميدبخش براي طبقه‌بندي دقيق‌تر و معنادارتر رخساره‌ها فراهم مي‌كند.

237759

اكتشاف نفت

مهندسي معدن

دانشگاه صنعتي اصفهان