تخمین سرعت امواج صوتی با استفاده از روش¬های هوشمند و روش خوشه-بندی گراف پایه با توان تفکیک چندگانه: مطالعه موردی دریکی از میادین جنوب ایران
محورهای موضوعی :مرتضی نوری 1 , مینا کریمی خالدی 2
1 - دانشگاه تهران
2 - دانشگاه صنعت نفت
کلید واژه: سرعت برشي سرعت تراكمی تصويرگر دوقطبي صوتي شبکه عصبی منطق فازي و خوشه¬, بندی گراف پایه با توان تفکیک چندگانه ,
چکیده مقاله :
چكيده سرعت موج برشی (Vs) و تراکمی (Vp)دو پارامتر اساسی هستند که در اکثر مطالعات پتروفيزيكي، ژئوفيزيكي و ژئومکانیکی کاربردهای عمده ای دارند. این دو پارامتر را می توان از طریق ابزار تصویرگر دو قطبی صوتی (Dipole sonic imaging tool) بدست آورد، اما متأسفانه به دلیل هزینه بالای این ابزار، اطلاعات مربوط به سرعت موج برشی و تراکمی تنها در تعداد محدودی از چاه ها موجود است. بنابراین پیش بینی سرعت امواج به صورت غیر مستقیم از روی دیگر نمودارهای متداول که همبستگی خوبی با این پارامترها دارند، اهمیت بسزایی دارد. درگذشته از روشهای تجربی و تحلیلهای رگرسیونی برای تخمین سرعت امواج استفاده میشد، در حالی که امروزه از سیستم های هوشمند که عملکرد بهتری نسبت به این روش ها دارند، استفاده می شود. مهمترین ابزار برای این کار، سیستم های هوشمند شامل شبکه هوش مصنوعی، منطق فازي، و خوشه بندی گراف پایه با توان تفکیک چندگانه (Multi resolution graph base clustering) می-باشد. در این مطالعه 1321 نقطه داده از سازند کنگان و دالان که دارای سرعت های برشي و تراكمی بودند، استفاده شده است. این داده ها به دو گروه تقسیم می شوند: 995 نقطه داده برای ساخت سیستم های هوشمند و 326 نقطه داده برای تست مدل استفاده شد. نتايج نشان داد که علی رغم اختلاف در مفهوم، همه تكنيك های هوشمند در برآورد سرعت امواج عملکرد قابل قبولی داشتهاند. از طرفی، روش خوشه بندی گراف پایه با توان تفکیک چندگانه با توجه به تفکیک داده به خوشه هایی بر اساس میزان شباهت و تفاوت آنها، تخمین دقیق تری از دیگر روش ها دارد. با استفاده از روش خوشه-بندی، سرعت امواج تراکمی و برشی با ضريب همبستگی برابر 9505/0و9407/. تخمین زده شد. از آنجایی که در این فرآیند، از عمق داده ها و لیتولوژی به عنوان ورودی استفاده نشده است، می توان از این روش در چاه ها و میادین دیگر نیز استفاده نمود.
Abstract Compressional and shear velocity are two fundamental parameters, which have many applications in petrophysical, geophysical, and geomechanical operations. These two parameters can be obtained using Dipole Sonic Imaging tool (DSI), but unfortunately this tool is run just in few wells of a field. Therefore it is important to predict compressional and shear velocity indirectly from the other conventional well logs that have good correlation with these parameters in wells without these logs. Classical methods to predict the mentioned parameters are utilizing correlations and regression analysis. However, the best tool is intelligent systems including Artificial Neural Network, Fuzzy Logic, Adaptive Neuro Fuzzy Inference System, and Multi resolution graph base clustering for performing such tasks. In this paper 1321 data points from Kangan and Dalan formations which have compressional and shear velocity are used. These data are divided into two groups: 995 and 326 data points were used for construction of intelligent systems and model testing, respectively. The results showed that despite differences in concept, all of the intelligent techniques were successful for estimation of compressional and shear velocities. The Multi resolution graph base clustering. The method had the best performance among the others due to precise clustering the data points. Using this method, the compressional and shear velocity were correlated with correlation factor of 0.9505 and 0.9407, respectively. The developed model does not incorporate depth or lithological data as a part of the inputs to the network. This means that utilized methodology is applicable to any field.