تخمین تراوایی با بکارگیری لاگ های پتروفیزیکی و روش های هوش مصنوعی: مطالعه موردی در مخزن آسماری میدان نفتی اهواز
الموضوعات :
ابوذر محسنی پور
1
(علوم زمین دانشگاه چمران اهواز)
بهمن سلیمانی
2
(دانشگاه شهیدچمران اهواز)
ایمان زحمتکش
3
(دانشگاه شهید چمران اهواز)
ایمان ویسی
4
(شرکت ملی مناطق نفتخیز جنوب)
الکلمات المفتاحية: تراوایی, شبکه عصبی مصنوعی, الگوریتم رقابت استعماری, الگوریتم ازدحام ذرات, لاگ تشدید مغناطیس هسته ای, مخزن آسماری,
ملخص المقالة :
تراوایی از جمله مهمترین پارامترهای پتروفیزیکی است که نقشی اساسی را در بحث های تولید و توسعه میادین هیدروکربونی دارند. در این پژوهش ابتدا نمودار تشدید مغناطیسی هسته ای در مخزن آسماری مورد ارزیابی قرار گرفت و تراوایی با استفاده از دو روش مرسوم مدل سیال آزاد(Coates) و مدل شلمبرژه یا میانگین T2 (SDR) محاسبه شد. سپس با ساخت مدل ساده شبکه عصبی مصنوعی و همچنین ترکیب آن با الگوریتم های بهینه سازی رقابت استعماری (ANN-ICA) و ازدحام ذرات (ANN-PSO) تراوایی تخمین زده شد. در نهایت نتایج حاصل با مقایسه تراوایی COATES و تراوایی SDR تخمین زده شده نسبت به مقدار واقعی، مورد بررسی قرار گرفتند و دقت تخمین از نظر مجموع مربع خطا و ضریب همبستگی مقایسه شد. نتایج حاصل از این مطالعه، بیانگر افزایش دقت تخمین تراوایی با استفاده از ترکیب الگوریتم های بهینه سازی با شبکه عصبی مصنوعی بود. نتایج حاصل از این روش می تواند به عنوان روشی قدرتمند جهت بدست آوردن سایر پارامترهای پتروفیزیکی استفاده شود.
مطیعی، ه.، 1374، زمین شناسی نفت ایران(جلد 1و 2)، طرح تدوین کتاب زمین شناسی ایران، سازمان زمین شناسی کشور، 1009 صفحه.
Aïfa, T., Baouche, R., & Baddari, K. (2014). Neuro-fuzzy system to predict permeability and porosity from well log data: A case study of Hassi R׳ Mel gas field, Algeria. Journal of Petroleum Science and Engineering, 123, 217–229.
Anemangely, M., Ramezanzadeh, A., & Tokhmechi, B. (2017). Shear wave travel time estimation from petrophysical logs using ANFIS-PSO algorithm: A case study from Ab-Teymour Oilfield. Journal of Natural Gas Science and Engineering, 38, 373–387.
Atashpaz-Gargari, E., & Lucas, C. (2007). Imperialist competitive algorithm: an algorithm for optimization inspired by imperialistic competition. 2007 IEEE Congress on Evolutionary Computation, 4661–4667.
Babadagli, T., & Al-Salmi, S. (2004). A review of permeability-prediction methods for carbonate reservoirs using well-log data. SPE Reservoir Evaluation & Engineering, 7(02), 75–88.
Bai, Y., & Tan, M. (2021). Dynamic committee machine with fuzzy-c-means clustering for total organic carbon content prediction from wireline logs. Computers & Geosciences, 146, 104626.
Baouche, R., & Nabawy, B. S. (2021). Permeability prediction in argillaceous sandstone reservoirs using fuzzy logic analysis: A case study of triassic sequences, Southern Hassi R’Mel Gas Field, Algeria. Journal of African Earth Sciences, 173, 104049.
Baziar, S., Tadayoni, M., Nabi-Bidhendi, M., & Khalili, M. (2014). Prediction of permeability in a tight gas reservoir by using three soft computing approaches: A comparative study. Journal of Natural Gas Science and Engineering, 21, 718–724.
Bernal, E., Castillo, O., Soria, J., & Valdez, F. (2017). Imperialist competitive algorithm with dynamic parameter adaptation using fuzzy logic applied to the optimization of mathematical functions. Algorithms, 10(1), 18.
Bhatt, A., & Helle, H. B. (2002). Committee neural networks for porosity and permeability prediction from well logs. Geophysical Prospecting, 50(6), 645–660.
Chaki, S., Routray, A., & Mohanty, W. K. (2018). Well-log and seismic data integration for reservoir characterization: A signal processing and machine-learning perspective. IEEE Signal Processing Magazine, 35(2), 72–81.
Chau, K W. (2007). Application of a PSO-based neural network in analysis of outcomes of construction claims. Automation in Construction, 16(5), 642–646. https://doi.org/10.1016/j.autcon.2006.11.008
Coates, G. R., Xiao, L., & Prammer, M. G. (1999). NMR logging. Principles and Interpretation. Halliburton Energy Service, Huston, Texas.
Cui, Y., Guo, Q., Leighton, J. P., & Chu, M.-W. (2020). Log Data Analysis with ANFIS: A Fuzzy Neural Network Approach. International Journal of Testing, 20(1), 78–96.
Dhanarajan, G., Mandal, M., & Sen, R. (2014). A combined artificial neural network modeling-particle swarm optimization strategy for improved production of marine bacterial lipopeptide from food waste. Biochemical Engineering Journal, 84, 59–65. https://doi.org/10.1016/j.bej.2014.01.002
Doveton, J. H., & Prensky, S. E. (1992). Geological applications of wireline logs: a synopsis of developments and trends. The Log Analyst, 33(3), 286–303.
Eberhart, R. C., & Kennedy, J. (1995). A new optimizer using particle swarm theory. Proceedings of the Sixth International Symposium on Micro Machine and Human Science, 1, 39–43.
Ehsan, M., & Gu, H. (2020). An integrated approach for the identification of lithofacies and clay mineralogy through Neuro-Fuzzy, cross plot, and statistical analyses, from well log data. Journal of Earth System Science, 129(1), 1–13.
Elkatatny, S., Mahmoud, M., Tariq, Z., & Abdulraheem, A. (2018). New insights into the prediction of heterogeneous carbonate reservoir permeability from well logs using artificial intelligence network. Neural Computing and Applications, 30(9), 2673–2683.
Emami, H., & Derakhshan, F. (2015). Election algorithm: A new socio-politically inspired strategy. AI Communications, 28(3), 591–603.
Fang, Q., Nguyen, H., Bui, X.-N., & Nguyen-Thoi, T. (2020). Prediction of blast-induced ground vibration in open-pit mines using a new technique based on imperialist competitive algorithm and M5Rules. Natural Resources Research, 29(2), 791–806.
Fathy, A., & Rezk, H. (2017). Parameter estimation of photovoltaic system using imperialist competitive algorithm. Renewable Energy, 111, 307–320.
Golsanami, N., Kadkhodaie-Ilkhchi, A., Sharghi, Y., & Zeinali, M. (2014). Estimating NMR T2 distribution data from well log data with the use of a committee machine approach: A case study from the Asmari formation in the Zagros Basin, Iran. Journal of Petroleum Science and Engineering, 114, 38–51.
Gowida, A., Elkatatny, S., Al-Afnan, S., & Abdulraheem, A. (2020). New computational artificial intelligence models for generating synthetic formation bulk density logs while drilling. Sustainability, 12(2), 686.
Grimaldi, E Alfassio, Grimaccia, F., Mussetta, M., & Zich, R. E. (2004). PSO as an effective learning algorithm for neural network applications. ICCEA 2004 - 2004 3rd International Conference on Computational Electromagnetics and Its Applications, Proceedings, 557–560. https://doi.org/10.1109/iccea.2004.1459416
Hassall, J. K., Ferraris, P., Al-Raisi, M., Hurley, N. F., Boyd, A., & Allen, D. F. (2004). Comparison of permeability predictors from NMR, formation image and other logs in a carbonate reservoir. Abu Dhabi International Conference and Exhibition.
Hosseini-Moghari, S.-M., Morovati, R., Moghadas, M., & Araghinejad, S. (2015). Optimum operation of reservoir using two evolutionary algorithms: imperialist competitive algorithm (ICA) and cuckoo optimization algorithm (COA). Water Resources Management, 29(10), 3749–3769.
Hosseini, S., & Al Khaled, A. (2014). A survey on the imperialist competitive algorithm metaheuristic: implementation in engineering domain and directions for future research. Applied Soft Computing, 24, 1078–1094.
Hosseinzadeh, S., Kadkhodaie, A., & Yarmohammadi, S. (2020). NMR derived capillary pressure and relative permeability curves as an aid in rock typing of carbonate reservoirs. Journal of Petroleum Science and Engineering, 184, 106593.
Ja’fari, A., & Moghadam, R. H. (2012). Integration of ANFIS, NN and GA to determine core porosity and permeability from conventional well log data. Journal of Geophysics and Engineering, 9(5), 473–481.
Jamialahmadi, M., & Javadpour, F. G. (2000). Relationship of permeability, porosity and depth using an artificial neural network. Journal of Petroleum Science and Engineering, 26(1–4), 235–239.
Jamshidian, M., Hadian, M., Zadeh, M. M., Kazempoor, Z., Bazargan, P., & Salehi, H. (2015). Prediction of free flowing porosity and permeability based on conventional well logging data using artificial neural networks optimized by imperialist competitive algorithm–a case study in the South Pars Gas field. Journal of Natural Gas Science and Engineering, 24, 89–98.
Kadkhodaie-Ilkhchi, A., Rezaee, M. R., Hatherly, P., & Chehrazi, A. (2009). Multitransform of Seismic Attributes to Petrophysical Properties Using Committee Fuzzy Inference System. Shiraz 2009-1st EAGE International Petroleum Conference and Exhibition, cp-125.
Kadkhodaie‐Ilkhchi, A., & Amini, A. (2009). A fuzzy logic approach to estimating hydraulic flow units from well log data: A case study from the Ahwaz oilfield, South Iran. Journal of Petroleum Geology, 32(1), 67–78.
Kamali, M. R., & Mirshady, A. A. (2004). Total organic carbon content determined from well logs using ΔLogR and Neuro Fuzzy techniques. Journal of Petroleum Science and Engineering, 45(3–4), 141–148.
Kar, S., Das, S., & Ghosh, P. K. (2014). Applications of neuro fuzzy systems: A brief review and future outline. Applied Soft Computing, 15, 243–259.
Karami, S., & Shokouhi, S. B. (2012). Optimal Hierarchical Remote Sensing Image Clustering using Imperialist Competitive Algorithm. In Recent Advances in Computer Science and Information Engineering (pp. 555–561). Springer.
Karimi, H., & Yousefi, F. (2012a). Application of artificial neural network-genetic algorithm (ANN-GA) to correlation of density in nanofluids. Fluid Phase Equilibria, 336, 79–83. https://doi.org/10.1016/j.fluid.2012.08.019
Kennedy, J., Kennedy, J. F., Eberhart, R. C., & Shi, Y. (2001). Swarm intelligence. Morgan Kaufmann.
Labani, M. M., Kadkhodaie-Ilkhchi, A., & Salahshoor, K. (2010). Estimation of NMR log parameters from conventional well log data using a committee machine with intelligent systems: A case study from the Iranian part of the South Pars gas field, Persian Gulf Basin. Journal of Petroleum Science and Engineering, 72(1–2), 175–185.
Lin, X., Sun, J., Palade, V., Fang, W., Wu, X., & Xu, W. (2012a). Training ANFIS parameters with a quantum-behaved particle swarm optimization algorithm. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 7331 LNCS(PART 1), 148–155. https://doi.org/10.1007/978-3-642-30976-2_18
Malki, H. A., & Baldwin, J. (2002). A neuro-fuzzy based oil/gas producibility estimation method. Proceedings of the 2002 International Joint Conference on Neural Networks. IJCNN’02 (Cat. No. 02CH37290), 1, 896–901.
Mohaghegh, S., Arefi, R., Ameri, S., & Hefner, M. H. (1994). A methodological approach for reservoir heterogeneity characterization using artificial neural networks. SPE Annual Technical Conference and Exhibition.
Mollajan, A. (2015). Application of local linear neuro-fuzzy model in estimating reservoir water saturation from well logs. Arabian Journal of Geosciences, 8(7), 4863–4872.
Moradi, M., Tokhmechi, B., & Masoudi, P. (2019). Inversion of well logs into rock types, lithofacies and environmental facies, using pattern recognition, a case study of carbonate Sarvak Formation. Carbonates and Evaporites, 34(2), 335–347.
Moussa, T., Elkatatny, S., Mahmoud, M., & Abdulraheem, A. (2018). Development of new permeability formulation from well log data using artificial intelligence approaches. Journal of Energy Resources Technology, 140(7).
Nawi, N. M., Ransing, M. R., & Ransing, R. S. (2006). An improved learning algorithm based on the Broyden-Fletcher-Goldfarb-Shanno (BFGS) method for back propagation neural networks. Sixth International Conference on Intelligent Systems Design and Applications, 1, 152–157.
Ndiaye, A., Thiaw, L., Sow, G., & Fall, S. S. (2014). Development of a multilayer perceptron (MLP) based neural network controller for grid connected photovoltaic system. International Journal of Physical Sciences, 9(3), 41–47.
Nemati, K., Shamsuddin, S. M., & Darus, M. (2014). An optimization technique based on imperialist competition algorithm to measurement of error for solving initial and boundary value problems. Measurement, 48, 96–108.
Nourafkan, A., & Kadkhodaie-Ilkhchi, A. (2015). Shear wave velocity estimation from conventional well log data by using a hybrid ant colony–fuzzy inference system: A case study from Cheshmeh–Khosh oilfield. Journal of Petroleum Science and Engineering, 127, 459–468.
Ogilvie, J. W. L., & Ogilvie, G. L. (2002). Self-removing email verified or designated as such by a message distributor for the convenience of a recipient. Google Patents.
Olatunji, O. O., Akinlabi, S., Madushele, N., & Adedeji, P. A. (2019). Estimation of the elemental composition of biomass using hybrid adaptive neuro-fuzzy inference system. BioEnergy Research, 12(3), 642–652.
Randall, L., Green, K., & Prichard, T. (1999). Estimation of capillary bound water in carbonate reservoir samples by NMR imaging and relaxation measurements. SCA-9947.
Razmjooy, N., Ramezani, M., & Ghadimi, N. (2017). Imperialist competitive algorithm-based optimization of neuro-fuzzy system parameters for automatic red-eye removal. International Journal of Fuzzy Systems, 19(4), 1144–1156.
Rezaee, M. R., Jafari, A., & Kazemzadeh, E. (2006). Relationships between permeability, porosity and pore throat size in carbonate rocks using regression analysis and neural networks. Journal of Geophysics and Engineering, 3(4), 370–376.
Safa, M., Shariati, M., Ibrahim, Z., Toghroli, A., Baharom, S. Bin, Nor, N. M., & Petkovic, D. (2016). Potential of adaptive neuro fuzzy inference system for evaluating the factors affecting steel-concrete composite beam’s shear strength. Steel Compos Struct, 21(3), 679–688.
Saggaf, M. M., & Nebrija, E. L. (2003). Estimation of missing logs by regularized neural networks. AAPG Bulletin, 87(8), 1377–1389.
Sfidari, E., Amini, A., Kadkhodaie, A., & Ahmadi, B. (2012). Electrofacies clustering and a hybrid intelligent based method for porosity and permeability prediction in the South Pars Gas Field, Persian Gulf. Geopersia, 2(2), 11–23.
Sharafi, Y., Khanesar, M. A., & Teshnehlab, M. (2016). COOA: Competitive optimization algorithm. Swarm and Evolutionary Computation, 30, 39–63.
Sihag, P., Tiwari, N. K., & Ranjan, S. (2019). Prediction of unsaturated hydraulic conductivity using adaptive neuro-fuzzy inference system (ANFIS). ISH Journal of Hydraulic Engineering, 25(2), 132–142.
Silvestre, M. R., & Ling, L. L. (2014). Pruning methods to MLP neural networks considering proportional apparent error rate for classification problems with unbalanced data. Measurement, 56, 88–94.
Tabatabaei, S. M. E., Kadkhodaie-Ilkhchi, A., Hosseini, Z., & Moghaddam, A. A. (2015). A hybrid stochastic-gradient optimization to estimating total organic carbon from petrophysical data: A case study from the Ahwaz oilfield, SW Iran. Journal of Petroleum Science and Engineering, 127, 35–43.
Tao, X.-R., Li, J.-Q., Han, Y.-Y., Duan, P., & Gao, K.-Z. (2020). Discrete imperialist competitive algorithm for the resource-constrained hybrid flowshop problem. Journal of Industrial and Production Engineering, 37(7), 345–359.
Tatar, M., Hatzfeld, D., & Ghafory-Ashtiany, M. (2004). Tectonics of the Central Zagros (Iran) deduced from microearthquake seismicity. Geophysical Journal International, 156(2), 255–266. https://doi.org/10.1111/j.1365-246X.2003.02145.x
Tien Bui, D., Shahabi, H., Shirzadi, A., Chapi, K., Hoang, N.-D., Pham, B. T., Bui, Q.-T., Tran, C.-T., Panahi, M., & Bin Ahmad, B. (2018). A novel integrated approach of relevance vector machine optimized by imperialist competitive algorithm for spatial modeling of shallow landslides. Remote Sensing, 10(10), 1538.
Tokhmechi, B., Rasouli, V., Azizi, H., & Rabiei, M. (2019). Hybrid clustering-estimation for characterization of thin bed heterogeneous reservoirs. Carbonates and Evaporites, 34(3), 917–929.
Vardian, M., Nasriani, H. R., Faghihi, R., Vardian, A., & Jowkar, S. (2016). Porosity and permeability prediction from well logs using an adaptive neuro-fuzzy inference system in a naturally fractured gas-condensate reservoir. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 38(3), 435–441.
Walia, T., Salami, A. A., Bashiri, R., Hamoodi, O. M., & Rashid, F. (2014). A randomised controlled trial of three aesthetic full-coronal restorations in primary maxillary teeth. Eur J Paediatr Dent, 15(2), 113–118.
Wang, Y., Hong, H., Chen, W., Li, S., Panahi, M., Khosravi, K., Shirzadi, A., Shahabi, H., Panahi, S., & Costache, R. (2019). Flood susceptibility mapping in Dingnan County (China) using adaptive neuro-fuzzy inference system with biogeography based optimization and imperialistic competitive algorithm. Journal of Environmental Management, 247, 712–729.
Wood, D. A. (2020). Predicting porosity, permeability and water saturation applying an optimized nearest-neighbour, machine-learning and data-mining network of well-log data. Journal of Petroleum Science and Engineering, 184, 106587.
Zahmatkesh, I., Soleimani, B., Kadkhodaie, A., Golalzadeh, A., & Abdollahi, A.-M. (2017). Estimation of DSI log parameters from conventional well log data using a hybrid particle swarm optimization–adaptive neuro-fuzzy inference system. Journal of Petroleum Science and Engineering, 157, 842–859.
Zhang, G., Wang, Z., Li, H., Sun, Y., Zhang, Q., & Chen, W. (2018). Permeability prediction of isolated channel sands using machine learning. Journal of Applied Geophysics, 159, 605–615.
Zhang, Z., Zhang, H., Li, J., & Cai, Z. (2021). Permeability and porosity prediction using logging data in a heterogeneous dolomite reservoir: An integrated approach. Journal of Natural Gas Science and Engineering, 86, 103743.
نشریه علمی– پژوهشی زمین شناسی نفت ایران سال دهم، شماره 20، پائیز و زمستان 1399ص17-28
Iranian Journal of Petroleum Geology No. 20, Autumn & Winter 2020, pp 17-28
تخمین تراوایی با بکارگیری نگارههای پتروفیزیکی و روشهای هوش مصنوعی: مطالعه موردی در مخزن آسماری یکی از میادین نفتی جنوب غربی ایران
ابوذر محسنی پور1*، بهمن سلیمانی2 ، ایمان زحمت کش3، ایمان ویسی4
1 دانشجوی دکتری، گروه زمین شناسی نفت و حوضه های رسوبی، دانشکده علوم زمین، دانشگاه شهید چمران اهواز، اهواز، ایران
2 استاد گروه زمین شناسی نفت و حوضه های رسوبی، دانشکده علوم زمین، دانشگاه شهید چمران اهواز، اهواز، ایران
3 استادیارگروه زمین شناسی نفت و حوضه های رسوبی، دانشکده علوم زمین، دانشگاه شهید چمران اهواز، اهواز، ایران
4 کارشناس پتروفیزیک شرکت ملی مناطق نفتخیز جنوب، اهواز، ایران
دريافت خرداد 1400، پذيرش مهر 1400
چکیده
در این پژوهش، ابتدا تراوایی نگاره تشدید مغناطیسی هسته¬ای با استفاده از دو روش مرسوم مدل سیال آزاد(Coates) و مدل شلمبرژه یا میانگین T2 (SDR)1 محاسبه شد. سپس یک مدل ساده شبکه عصبی مصنوعی با فرایند آموزش از نوع الگوریتم پس انتشار خطا، طراحی گردید، در ادامه با استفاده از الگوریتم بهینه سازی رقابت استعماری (ANN-ICA) و الگوریتم ازدحام ذرات (ANN-PSO) این مدل بهینه شد و از آن برای تخمین پارامتر تراوایی استفاده شد. در نهایت ، نتایج با مقایسه نفوذپذیری تخمین زده شده با مقدار واقعی مورد تجزیه و تحلیل قرار گرفت و دقت برآورد از نظردو پارامتر خطای میانگین مربع و ضریب همبستگی مقایسه شد. نتایج ، بیانگر دقت بالای مقادیر تراوایی تخمین زده شده با استفاده از ترکیب شبکه ساده عصبی با الگوریتمهای بهینهسازی است. نتایج حاصل از ترکیب الگوریتمهای بهینهسازی در این مطالعه میتواند به عنوان روشی قدرتمند و مفید در جهت بدست آوردن سایر پارامترها، از جمله پارامترهای مخزنی، پتروفیزیکی و ژئومکانیکی استفاده شود.
کلمات کلیدی: تراوایی، شبکه عصبی مصنوعی، الگوریتم رقابت استعماری، الگوریتم ازدحام ذرات، نگاره تشدید مغناطیس هستهای، مخزن آسماری
1-مقدمه
تراوایی یکی از مهمترین پارامترهایی است که بر تولید و استخراج موثر از مخازن هیدروکربنی تاثیر دارد. بطور معمول روشهای پرهزینه و زمانبری مانند آنالیز مغزه و چاه آزمایی برای محاسبه تراوایی استفاده میشوند. عدم اخذ مغزه در تمام چاههای یک میدان نفتی، پرهزینه و همچنین زمانبر بودن انجام این آزمایشات باعث شده است محققان اقدام به توسعه روشهای ارزان و با دقت کنند.
نگاره2های چاهپیمایی به عنوان دادههای مقرون به صرفه از لحاظ هزینه و زمان که در تمامی چاهها امکان اخذ دارند، میتوانند برای بدست آوردن تراوایی جایگزین مغزه شوند. نگار تشدید مغناطیس هستهای 3(NMR) علاوه بر امکان اندازهگیری تخلخل(مستقل از ماتریکس سنگ)، تراوایی، شاخص سیال آزاد، آب کاهش نیافتنی و اشباع نفت کاهش نیافتنی(نفت باقی مانده) بصورت درجا، توانایی تعیین نوع و حجم سیال تولیدی قابل دسترسی را نیز دارد] 11[. مزیت دیگر این نگاره فراهم کردن قابلیت دسترسی به پارامترهای مهم مخزنی بصورت پیوسته است. علیرغم ارائه نزدیکترین اطلاعات به دادههای حاصل از مغزه، این نگاره دارای معایبی از جمله پرهزینه بودن است.
در سالیان اخیر روشهای هوش مصنوعی به عنوان تکنیکهای ساده و کم هزینه بطور بسیار وسیعی توسط محققان مورداستفاده قرارگرفتهاند. شبکههای عصبی مصنوعی از الگوریتم پس انتشار خطا4 در فرایند آموزش استفاده و با توجه به مقدار خطای بدست آمده در یک فضای جستجوی مبتنی بر گرادیان به اصلاح شبکه میپردازند. برای برطرف کردن ضعفهایی مانند وابستگی به یک پارامتر و همچنین همگرایی دیر] 20،21 [ طی سالیان اخیر برای آموزش بهتر شبکههای عصبی، الگوریتمهای تکاملی که دارای عملکردی تصادفی و جستجوی فضای مسئله به صورت موازی هستند، بکار گرفته شدهاند ]12،5،19،7،28[. در دهه اخیر تخمین پارامترهای پتروفیزیکی و مخزنی با استفاده از شبکه عصبی مصنوعی نشان دهنده عملکرد مناسب این شبکهها بوده است. محققانی از جمله کدخدایی و همکاران(2009) ]16[، کدخدایی و امینی(2009) ]17[، طباطبایی و همکاران(2015) ]23[، زحمتکش و همکاران(2017) ]29[، تخمچی و همکاران(2019) ]26[،از شبکه عصبی برای تخمین پارامترهای پتروفیزیکی استفاده کردهاند. مطالعات محدودی بر روی استفاده از هوش مصنوعی و الگوریتمهای فراابتکاری در تخمین پارامترهای نگار تشدید مغناطیس هستهای انجام گرفته است از جمله] 15،14[.
میدان نفتی اهواز در جنوب غرب ایران در بخش زاگرس چینخورده واقع شده است . شکل ساختار زمینشناسی میدان اهواز شامل یک تاقدیس کشیده با امتداد شمال غرب-جنوب شرق و موازی با امتداد اصلی زاگرس است (مطیعی، 1374) ] 1[. نقشه ساختاری سرسازند آسماری(الیگوسن تا میوسن زیرین) در این میدان به عنوان اصلیترین مخزن تولید هیدروکربن بصورت چین نسبتاً متقارنی با طول 67 و عرض 6 کیلومتر است. لیتولوژی سازند آسماری در مخزن مورد مطالعه همانطور که در شکل 3 نشان داده شده است بصورت ترکیبی از کربنات(آهک، دولومیت و شیل) و ماسه سنگ است. در این پژوهش، با استفاده تلفیق شبکه عصبی با الگوریتمهای بهینهسازی دادههای تراوایی نگارهNMR تخمین زده و دقت آن مورد بررسی قرار گرفت.
2-روش کار
1-2- اصول تشدید مغناطیس هستهای
تشدید مغناطیس هستهای، نتیجه پاسخ هستهی اتمهایی مانند هيدروژن (1H) كربن (13C) و سدیم (11Na) که دارای هستههایی با عدد کوانتومی غیر صفر هستند به میدانهای مغناطیس است که توانایی تعیین خواص هسته را دارند. در سنگها به علت فراوانی و همچنین تولید سیگنال نسبتا قوی هسته هیدروژن در آب و هیدروکربنها میدان مغناطیسی بر پایه پاسخ هسته این اتم استوار است. در فرایند تشدید مغناطیس هستهای بر اساس قانون فارادی یک دو قطبی مغناطیسی از هستههای عناصر هیدرژن که بصورت تصادفی در حال چرخش هستند ایجاد میشود. زمانی که این دوقطبیها در راستای یک میدان مغناطیسی ایستا قرار بگیرند و در اثر همراستا شدن با میدان مغناطیسی، امواج الکترومغناطیس منتشر میکنند (مدت زمان چرخش پروتونها در راستای میدان ایستا را زمان آرامش طولي5 یا T1 مینامند). همچنین این دو قطبیها در اطراف میدان مغناطیسی با فرکانس لارمور شروع به حرکت تقدیمی6 میکنند. زمانی که یک میدان نوسانی براساس فرکانس لارمور به این دو قطبی ها اعمال شود سیگنال تشدیده شده ثبت میشود. زمانی که میدان نوسانی قطع شود پروتونها دچار انحراف شده و افتی در سیگنال ارسالی رخ میدهد که پارامتر ثابت زماني آرامش عرضي7 یا T2 خوانده میشود]6[.
اطلاعات حاصل از نگاره NMR ، میتواند براوردی از مقدار تراوایی برحسب عمق را ارائه دهد. دو مدل عمده که برای محاسبه تراوایی استفاده میشود شامل روشهای سیال آزاد یا تیمور/کوتس8 و میانگین T2 یا روش شلمبرژر (SDR) هستند. روش تیمور/کوتس به عنوان سادهترین روش برای تخمین تراوایی از دادههای NMR شناخته شده است. مدل تیمور/کوتس از رابطه زیر تراوایی را محاسبه میکند]6[.
فرمول-1
FFI حجم سیال آزاد، BVI حجم سیال کاهش نیافتنی9 و ФNMR تخلخل بدست آمده از NMR است. a1، b1 وc1 ضرایبی هستن که غالبا از مطالعات مغزه بست میآیند که به دلیل هزینه بسیار زیاد به ترتیب از مقادیر ثابت 2، 4 و 1 برای آنها استفاده میشود. مدل شلمبرژر(SDR) از رابطه زیر تراوایی را محاسبه میکند.
فرمول-2
میانگین هندسی توزیع10 است. ضرایب معادله همانند رابطه تیمور/کوتس بصورت اعداد ثابت a2=2، b2=4 و c2=4 استفاده میشود.
2-2-شبکه عصبی
شبکه عصبی مصنوعی برای پردازش اطلاعات از سیستم عملکردی مغز انسان الگوبرداری کرده و با بکارگیری عناصر پردازشگر بنام نورون عمل میکند]8[. کار آمدترین شبکه عصبی مدل پرسپترون چندلایه11 است. این مدل از سه بخش: 1-لایه ورودی (اطلاعات را از محیط دریافت کرده و به لایه میانی منتقل میکند)، 2-لایه میانی یا لایه پنهان(اطلاعات دریافتی را پردازش میکند) و در نهایت 3-لایه خروجی (یک تابع فعالسازی ایجاد میکند) تشکیل شده است (شکل 1 ).
شکل 1- ساختار شبکه عصبی پرسپترون سه لایه
در فرایند آموزش با استفاده از الگوریتم پس انتشار خطا12 (که در آن لایههای ورودی، لایه خروجی را تغذیه میکنند) اختلاف بین خروجی محاسبه شده از شبکه با خروجی مطلوب برای شبکه محاسبه میشود. سپس این خطاهای محاسبه شده در لایههای قبلی منتشر میشود و براساس آن پارامترهای شبکه تنظیم میشود. پژوهشگران در دهه اخیر با ترکیب شبکههای عصبی مصنوعی با الگوریتمهای تکاملی اقدام به کاهش مشکلات الگوریتم پس انتشار خطا از جمله آهستگی سرعت همگرایی و ناتوانی در فرار کردن از بهینههای محلی(بهترین جایگاهی که توسط ذره تجربه شده است) کردند. از جمله مهمترین و کارامدترین الگوریتمهای بهینهسازی در صنعت نفت الگوریتمهای بهینهسازی رقابت استعماری (ICA)13 و الگوریتم بهینهسازی ازدحام ذرات14 (PSO) هستند که در این مطالعه مورد استفاده قرار گرفتهاند.
3-2- الگوریتم بهینهسازی ازدحام ذرات(PSO)
الگوریتم ازدحام ذرات اولین بار در سال 1995 توسط کندی و ابرهارت معرفی شد. این الگوریتم از رفتارهای اجتماعی یک دسته از پرندگان و گروهی از ماهیها در یافتن غذا الهام گرفته شده است]4[. در این الگوریتم در هر تکرار، تابع هدف مورد ارزیابی قرار میگیرد و سپس بهترین موقعیت هر ذره و بهترین موقعیت تمام ذرات به ترتیب با عنوان بهترین موقعیت محلی و بهترین موقعیت کلی یا جهانی تعیین میگردد. به عبارت دیگر بهترین موقعیت محلی بهترین راه حلی است که توسط یک ذره بدست میآید و بهترین موقعیت کلی یا جهانی بهترین راه حلی است که با بهینهسازی جهانی در این الگوریتم بدست میآید. در نهایت ترکیب این دو حرکت محلی و جهانی منجر به ایجاد یک مدل جهت یافتن بهترین نقطه هدف میشود. الگوریتم ازدحام ذرات میتواند با جمعیتی از ذرات با موقعیتهای تصادفی شروع شود و هنگامی که تکرار آن به حداکثر تعداد برسد میتواند متوقف شود. در هر تکرار وزن اینرسی با معادله به روز میشود. نحوه عملکرد الگوریتم ازدحام ذرات به صورت شماتیک در شکل 2 الف مشخص شده است.
4-2-الگوریتم رقابت استعماری (ICA)
اولین بار در سال 2007 آتشپز-گلگری و لوکاس، الگوریتم رقابتی استعماری را که یک الگوریتم تکاملی جدید مبتنی بر تکامل سیاسی-اجتماعی جامعه در زمینه محاسبات تکاملی است را معرفی کردند. الگوریتم رقابتی استعماری، از فرایندهای سیاسی ، فرهنگی و اجتماعی در فرایندهای بهینه سازی استفاده میکند. امروزه، محققان بطور وسیعی از الگوریتم رقابت استعماری برای بهینهسازی مسائل استفاده میکنند که از جمله مطالعات انجام شده بر روی این زمینه توسط آتشپز-گلگری و لوکاس(2007) ]2[،والیا و همکاران(2014)]27[، برنال و همکاران(2017)]3[، فتحی و رزک(2017)]10[، تین بیو و همکاران(2018)]25[، وانگ و همکاران(2019)]28[، تائو و همکاران(2020)]25[ و فانگ و همکاران(2020)]9[ بوده است. این الگوریتم همانند سایر الگوریتمهای تکاملی همانند الگوریتم ژنتیک با یک جمعیت اولیه تصادفی که در فضای جستجو کشور نامیده میشود شروع میشود( هر کشور در فضای جستجو مشخصاتی دارد که مکان آنرا مشخص میکند). این کشورها به دو قسمت مستعمره و استعمارگر تقسیم میشوند. ترکیب این دو قسمت با همدیگر تشکیل دهنده یک امپراتوری است. کشورهایی که از ارزش عملکردی کمتری برخوردار هستند به عنوان مستعمره و باقی مانده انتخاب میشوند. سایر کشورها که از لحاظ امتیازی وضعیت بهتری دارند نیز به عنوان استعمارگر در نظر گرفته میشوند. تمام کشورهای مستعمره براساس قدرتی که کشورهای استعمارگر دارند بین آنها تقسیم میشوند، بنابراین هر قدر قدرت کشور استعمارگر بیشتر باشد تعداد کشور مستعمره بیشتری را به خود اختصاص میدهد. به طور خلاصه ، ICA شامل چندین مرحله اصلی است: 1- ایجاد امپراتوریهای اولیه ، 2-جذب ، 3-انقلاب ، 4-تغییر موقعیت کشور استعمارگر و کشور مستعمره 5-متحد کردن امپراتوریهای مشابه ، 6-محاسبه کل قدرت یک امپراتوری و 7-رقابت امپریالیستی (شکل 2 ب). در نهایت در طی این الگوریتم ضعیفترین امپراتوری در روند رقابت امپریالیستی سقوط خواهد کرد و همه مستعمرات آنها بین سایر امپراتوریها تقسیم خواهد شد ، خود استعمارگر نیز بعد از دست دادن تمامی مستعرههای خود بصورت یک مستعمره جدید تحت سلطه استعمارگر جدید در میآید. مراحل الگوریتم رقابت استعماری با توجه به شروط آن، آنقدر ادامه پیدا میکند تا تنها یک استعمارگر با مالکیت تمامی کشورها باقی بماند.
 |
 |
شکل-2: الف) شکل فلوچارت الگوریتم رقابت استعماری، ب) شکل فلوچارت الگوریتم ازدحام ذرات
3-آمادهسازی دادههای ورودی
در این پژوهش مجموعهای از نگارههای متداول شامل RHOB، DT، PEF، NPHI ، PHIE که داری بیشترین ارتباط منطقی با هدف (تخمین تراوایی) بودند، به عنوان ورودی مناسب انتخاب شدند. در مرحله بعد فرایند کنترل کیفی این نگارهها شامل حذف نگاره در محدودههای ریزشی و حذف دادههای پرت انجام گرفت. در نهایت نمودار همبستگی دو تراوایی بدست آمده با روشهای تیمور/کوتس و SDR و در مقابل پارامترهای ورودی (نگارههای متداول) ترسیم شد. نگارههای چگالی (RHOB) و صوت (DT) به ترتیب دارای بیشترین و کمترین ضریب همبستگی بودند.
4-بحث و نتایج
هدف از انجام این پژوهش بررسی عملکرد شبکه عصبی مصنوعی و الگوریتمهای بهینهسازی ترکیب شده با آن در تخمین پارامتر تراوایی در مخزن آسماری میدان نفتی اهواز در جنوب غربی ایران است. در ابتدا با استفاده از نرم افزارParadigm Geolog تراوایی نگاره تشدید مغناطیس هستهای به دو روش تیمور/کوتس و روش SDR محاسبه گردید. شکل 3 نشان دهنده مقادیر تخلخل و تراواییهای براورد شده از دادههای خام نگار NMR است.
شکل-3 : تراوایی های حاصل از دو روش تیمور/کوتس و SDR در مخزن مورد مطالعه
در ادامه با استفاده از نرم افزار Matlab برای انجام فرایند تخمین ابتدا یک مدل شبکه عصبی پایه ایجاد شد. در این مدل شبکه عصبی با توجه به مقادیر دادههای ورودی (مجموعه نگارههای سرعت صوت(DT)، ضریب فتوالکتریک (PEF)، دانسیته(RHOB)، تخلخل نوترون(NPHI) و تخلخل مفید (PHIE)) و نگاشت آنها با مقادیر استاندارد خروجی (دادههای تراوایی حاصل از مدل تیمور/کوتس و حاصل از مدل شلمبرژه) و استفاده از نرونهای پردازشگر، فرایند تخمین انجام شد. برای تعیین مقادیر وزن و بایاس شبکه و انجام آموزش از فرایند تحت نظارت که به ازای ورودی خاص، خروجی مناسب تولید میشود، استفاده شد. مقایسه متوالی خروجی تولید شده با خروجی استاندارد حاصل از آموزش مدل ساده شبکه عصبی از نوع پس انتشار خطا منجر به تنظیم وزن و بایاسها و رسیدن به مناسب ترین نتیجه شد.
در این مطالعه تعداد نورونهای ورودی و خروجی به ترتیب 5 و 1 انتخاب گردید و تعداد نرونهای لایه میانی برای دو تراوایی تیمور/کوتس و SDR به ترتیب 8 و 7 در نظر گرفته شد. توابع انتقال تانژانت سیگموئیدی و تابع انتقال خطی به عنوان تابع تحریک به عنوان لایههای میانی و لایههای خروجی برای انجام تخمین مورد استفاده قرار گرفت. در ادامه برای بهینهسازی و به روز رسانی وزنهای شبکه عصبی در فرایند تخمین تراوایی و همچنین بالا بردن درصد نزدیک بودن مقدار تخمین زده شده با مقدار واقعی، دو الگوریتم بهینهسازی الگوریتم تکاملی رقابت استعماری و الگوریتم بهینهسازی ازدحام ذرات با شبکه عصبی پایه ترکیب شدند. نتیجه مقادیر تخمین زده شده با بکارگیری این الگوریتمها در مدل شبکه عصبی برای تراواییهای تیمور/کوتس و SDR در جدول 1 گزارش شده است. همچنین، نمایش تطابق نموداری بین مقادیر واقعی و برآورد شده و نتایج هر کدام از تراواییها در داده آزمایشی در شکلهای 4 تا 7 آورده شده که بیانگر بالابردن مقدار تطابق بین مقدار واقعی با مقادیر تخمین زده شده توسط این دو الگوریتم است. با این تفاوت که الگوریتم بهینهسازی ازدحام ذارات در این مطالعه به مقدار ناچیزی تخمین بهتری را انجام داده است.
شکل-4 : تطابق تراوایی COATES وSDR پیشبینی شده (Predicted) توسط مدل شبکه عصبی و الگوریتم رقابت استعماری (ANN-ICA) و مقادیر واقعی (Real) تراوایی حاصل از نگاره تشدید مغناطیس هستهای(NMR) در دادههای آزمایش
|
|
شکل-5: نتایج مدل شبکه عصبی مصنوعی و الگوریتم رقابت استعماری (ANN-ICA) برای مقادیر اندازهگیری شده (Real) و تخمین زده شده (Predicted) تراواییهای COATES وSDR حاصل از نگاره NMR
شکل-6: تطابق تراوایی COATES وSDR پیشبینی شده (Predicted) توسط مدل شبکه عصبی و الگوریتم رقابت استعماری (ANN-PSO) و مقادیر واقعی (Real) تراوایی حاصل از نگاره تشدید مغناطیس هستهای(NMR) در دادههای آزمایش
|
|
شکل-7: نتایج مدل شبکه عصبی مصنوعی و الگوریتم رقابت استعماری (ANN-PSO) برای مقادیر اندازهگیری شده (Real) و تخمین زده شده (Predicted) تراواییهای COATES وSDR حاصل از نگاره NMR
در این مطالعه دو معیار مجموع مربعات خطا (15MSE) و ضریب همبستگی (R2) برای بررسی میزان کارایی روشها در جهت تخمین پارامترهای تراوایی بکار گرفته شد. با توجه به نتایج ارائه شده در جدول1 بکارگیری ترکیبی از الگوریتمهای بهینهسازی نتایج بهتری نسبت به شبکه عصبی ساده از لحاظ هردو معیار MSE و ضریب تطابق را ارائه میدهد.
با توجه به نتایج، در مدل ترکیبی رقابت استعماری - شبکه عصبی نتایج تخمین تراوایی تیمور/کوتس و تراوایی SDR به ترتیب با خطاهای 076899/0، 071478/0 و ضریب تطابقهای 98124/0 و 97569/0 در دادههای آموزشی و خطای میانگین مربعات 077199/0، 063832/0 و ضریب تطابق 98714/0 و 98465/0 برای دادههای آزمایش و در مدل ترکیبی الگوریتم ازدحام ذرات – شبکه عصبی نتایج تخمین تراوایی تیمور/کوتس و تراوایی SDR به ترتیب با خطاهای 071128/0، 069891/0 و ضریب تطابقهای 98021/0 و 97981/0 در دادههای آموزشی و خطای میانگین مربعات 073272/0، 072629/0 و ضریب تطابق 98841/0 و 98493/0 برای دادههای آزمایش است که در هر دو مدل ترکیبی تطابق بالایی بین مقادیر تخمین زده شده با دادههای واقعی وجود دارد.
با مقایسه ضرایب همبستگی مدلهای شبکه عصبی مصنوعی پایهای و ترکیب شبکه عصبی مصنوعی با الگوریتمهای رقابت استعماری و ازدحام ذرات میتوان به افزایش ضریب همبستگی در تراوایی تخمین زده شده با بکارگیری الگوریتم های بهینهسازی پی برد. همچنین میتوان اظهار داشت که استفاده از روش ترکیبی الگوریتم ازدحام ذرات- شبکه عصبی نسبت به الگوریتم رقابت استعماری-شبکه عصبی در تخمین تراوایی نگار NMR اندکی توانمندتر است، و این دو مدل ترکیبی نسبت به شبکه عصبی ساده کارایی و عملکرد به مراتب بالاتری را نشان میدهند. به نحوی که با دارا بودن کمترین تعداد متغیر در کمترین زمان و با بالاترین دقت، کار محاسبات و تخمین را انجام میدهد.
جدول 1- مقایسهی مجموع مربعات خطا (MSE) و ضریب تطابق (R2) مربوط به دادههای آموزشی و آزمایشی دو پارامتر تراوایی COATES وSDR در مدلهای هوشمند و ترکیبی با الگوریتم های بهینهسازی
Std. | Mean error | R2 | MSE | Data set | Parameter | Method |
18051/0 | 065899/0 | 96857/0 | 056546/0 | آموزش | Perm-COATES | ANN |
18169/0 | 066685/0 | 97298/0 | 057423/0 | آزمایش | ||
19105/0 | 071685/0 | 96069/0 | 054556/0 | آموزش | Perm-SDR | |
18214/0 | 068982/0 | 97034/0 | 055565/0 | آزمایش | ||
20132/0 | 15025/0- | 98124/0 | 076899/0 | آموزش | Perm-COATES | ANN-ICA |
21105/0 | 18085/0- | 98714/0 | 077199/0 | آزمایش | ||
2063/0 | 18842/0- | 97569/0 | 071478/0 | آموزش | Perm-SDR | |
2247/0 | 20831/0- | 98465/0 | 063832/0 | آزمایش | ||
22125/0 | 018572/0- | 98021/0 | 071128/0 | آموزش | Perm-COATES | ANN-PSO |
17791/0 | 025565/0- | 98841/0 | 073272/0 | آزمایش | ||
22502/0 | 048271/0- | 97981/0 | 069891/0 | آموزش | Perm-SDR | |
21301/0 | 052252/0- | 98493/0 | 072629/0 | آزمایش |
5-نتیجهگیری
هدف این پژوهش بکارگیری و مقایسه استفاده از ترکیب الگوریتمهای بهینهسازی رقابت استعماری و ازدحام ذرات با شبکه عصبی مصنوعی در تخمین پارامتر تراوایی حاصل از نگاره تشدید مغناطیسی هستهای بوده است. براساس دوپارامتر ضریب همبستگی(R2) و همچنین معیار کمترین مربعات خطا (MSE) هر سه مدل شبکه عصبی ساده و ترکیبی با همدیگر مقایسه گردید. در نهایت نتایج بیانگر افزایش دقت تخمین تراوایی با بکارگیری تلفیق شبکه عصبی با الگوریتمهای بهینهسازی خصوصاً الگوریتم ازدحام ذرات بود. بنابراین با استفاده از تلفیق شبکه عصبی مصنوعی با الگوریتم بهینهسازی میتوان پارامترهای پتروفیزیکی و مخزنی را با دقت بسیار بالایی تخمین زد.
سپاس و قدردانی
از داوران مقاله آقايان دکتر دکتر سجاد کاظم شيرودي و دکترعلي معلمي تشكر و قدرداني مي گردد.
منابع
[1] مطیعی، ه.، 1374، زمینشناسی نفت ایران (جلد 1و 2) ، طرح تدوین کتاب زمین شناسی ایران، سازمان زمینشناسی کشور، 1009 صفحه.
[2] ATASHPAZ-GARGARI, E., & LUCAS, C. (2007). Imperialist competitive algorithm: an algorithm for optimization inspired by imperialistic competition. 2007 IEEE Congress on Evolutionary Computation, 4661–4667.
[3] BERNAL, E., CASTILLO, O., SORIA, J., & VALDEZ, F. (2017). Imperialist competitive algorithm with dynamic parameter adaptation using fuzzy logic applied to the optimization of mathematical functions. Algorithms, 10(1), 18.
[4] BHATT, A., & HELLE, H. B. (2002). Committee neural networks for porosity and permeability prediction from well logs. Geophysical Prospecting, 50(6), 645–660.
[5] Chau, K W. (2007). Application of a PSO-based neural network in analysis of outcomes of construction claims. Automation in Construction, 16(5), 642–646. https://doi.org/10.1016/j.autcon.2006.11.008
[6] COATES, G. R., XIAO, L., & PRAMMER, M. G. (1999). NMR logging. Principles and Interpretation. Halliburton Energy Service, Huston, Texas.
[7] DHANARAJAN, G., MANDAL, M., & SEN, R. (2014). A combined artificial neural network modeling-particle swarm optimization strategy for improved production of marine bacterial lipopeptide from food waste. Biochemical Engineering Journal, 84, 59–65. https://doi.org/10.1016/j.bej.2014.01.002
[8] EBERHART, R. C., & KENNEDY, J. (1995). A new optimizer using particle swarm theory. Proceedings of the Sixth International Symposium on Micro Machine and Human Science, 1, 39–43.
[9] FANG, Q., NGUYEN, H., BUI, X.-N., & NGUYEN-THOI, T. (2020). Prediction of blast-induced ground vibration in open-pit mines using a new technique based on imperialist competitive algorithm and M5Rules. Natural Resources Research, 29(2), 791–806.
[10] FATHY, A., & REZK, H. (2017). Parameter estimation of photovoltaic system using imperialist competitive algorithm. Renewable Energy, 111, 307–320.
[11] GOLSANAMI, N., KADKHODAIE‐ILKHCHI, A., SHARGHI, Y., & ZEINALI, M. (2014). Estimating NMR T2 distribution data from well log data with the use of a committee machine approach: A case study from the Asmari formation in the Zagros Basin, Iran. Journal of Petroleum Science and Engineering, 114, 38–51.
[12] GRIMALDI, E ALFASSIO, GRIMACCIA, F., MUSSETTA, M., & ZICH, R. E. (2004). PSO as an effective learning algorithm for neural network applications. ICCEA 2004 - 2004 3rd International Conference on Computational Electromagnetics and Its Applications, Proceedings, 557–560. https://doi.org/10.1109/iccea.2004.1459416
[13] HOSSEINI, S., & AL KHALED, A. (2014). A survey on the imperialist competitive algorithm metaheuristic: implementation in engineering domain and directions for future research. Applied Soft Computing, 24, 1078–1094.
[14] HOSSEINZADEH, S., KADKHODAIE, A., & YARMOHAMMADI, S. (2020). NMR derived capillary pressure and relative permeability curves as an aid in rock typing of carbonate reservoirs. Journal of Petroleum Science and Engineering, 184, 106593.
[15] JAMSHIDIAN, M., HADIAN, M., ZADEH, M. M., KAZEMPOOR, Z., BAZARGAN, P., & SALEHI, H. (2015). Prediction of free flowing porosity and permeability based on conventional well logging data using artificial neural networks optimized by imperialist competitive algorithm–a case study in the South Pars Gas field. Journal of Natural Gas Science and Engineering, 24, 89–98.
[16] KADKHODAIE‐ILKHCHI, A., REZAEE, M. R., HATHERLY, P., & CHEHRAZI, A. (2009). Multitransform of Seismic Attributes to Petrophysical Properties Using Committee Fuzzy Inference System. Shiraz 2009-1st EAGE International Petroleum Conference and Exhibition, cp-125.
[17] KADKHODAIE‐ILKHCHI, A., & AMINI, A. (2009). A fuzzy logic approach to estimating hydraulic flow units from well log data: A case study from the Ahwaz oilfield, South Iran. Journal of Petroleum Geology, 32(1), 67–78.
[18] KAR, S., DAS, S., & GHOSH, P. K. (2014). Applications of neuro fuzzy systems: A brief review and future outline. Applied Soft Computing, 15, 243–259.
[19] KARIMI, H., & YOUSEFI, F. (2012). Application of artificial neural network-genetic algorithm (ANN-GA) to correlation of density in nanofluids. Fluid Phase Equilibria, 336, 79–83. https://doi.org/10.1016/j.fluid.2012.08.019
[20] LIN, X., SUN, J., PALADE, V., FANG, W., WU, X., & XU, W. (2012). Training ANFIS parameters with a quantum-behaved particle swarm optimization algorithm. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 7331 LNCS(PART 1), 148–155. https://doi.org/10.1007/978-3-642-30976-2_18
[21] NAWI, N. M., RANSING, M. R., & RANSING, R. S. (2006). An improved learning algorithm based on the Broyden-Fletcher-Goldfarb-Shanno (BFGS) method for back propagation neural networks. Sixth International Conference on Intelligent Systems Design and Applications, 1, 152–157.
[22] NEMATI, K., SHAMSUDDIN, S. M., & DARUS, M. (2014). An optimization technique based on imperialist competition algorithm to measurement of error for solving initial and boundary value problems. Measurement, 48, 96–108.
[23] Tabatabaei, S. M. E., Kadkhodaie-Ilkhchi, A., Hosseini, Z., & Moghaddam, A. A. (2015). A hybrid stochastic-gradient optimization to estimating total organic carbon from petrophysical data: A case study from the Ahwaz oilfield, SW Iran. Journal of Petroleum Science and Engineering, 127, 35–43.
[24] TAO, X.-R., Li, J.-Q., HAN, Y.-Y., DUAN, P., & GAO, K.-Z. (2020). Discrete imperialist competitive algorithm for the resource-constrained hybrid flowshop problem. Journal of Industrial and Production Engineering, 37(7), 345–359.
[25] TIEN BUI, D., SHAHABI, H., SHIRZADI, A., CHAPI, K., HOANG, N.-D., PHAM, B. T., BUI, Q.-T., TRAN, C.-T., PANAHI, M., & BIN AHMAD, B. (2018). A novel integrated approach of relevance vector machine optimized by imperialist competitive algorithm for spatial modeling of shallow landslides. Remote Sensing, 10(10), 1538.
[26] TOKMECHI, B., RASOULI, V., AZIZI, H., & RABIEI, M. (2019). Hybrid clustering-estimation for characterization of thin bed heterogeneous reservoirs. Carbonates and Evaporites, 34(3), 917–929.
[27] WALIA, T., SALAMI, A. A., BASHIRI, R., HAMOODI, O. M., & RASHID, F. (2014). A randomised controlled trial of three aesthetic full-coronal restorations in primary maxillary teeth. Eur J Paediatr Dent, 15(2), 113–118.
[28] WANH, Y., HONG, H., CHEN, W., Li, S., PANAHI, M., KHOSRAVI, K., SHIRZADI, A., SHAHABI, H., PANAHI, S., & COSTACHE, R. (2019). Flood susceptibility mapping in Dingnan County (China) using adaptive neuro-fuzzy inference system with biogeography based optimization and imperialistic competitive algorithm. Journal of Environmental Management, 247, 712–729.
[29] ZAHMATKESH, I., SOLEIMANI, B., KADKHODAEI, A., GOLALZADEH, A., & ABDOLLAHI, A.-M. (2017). Estimation of DSI log parameters from conventional well log data using a hybrid particle swarm optimization–adaptive neuro-fuzzy inference system. Journal of Petroleum Science and Engineering, 157, 842–859.
[1] Schlumberger-Doll-Research
[2] log
[3] Nuclear magnetic resonance
[4] Backpropagation
[5] longitudinal relaxation time
[6] Precession Movment
[7] Transversal relaxation time
[9] bound volume irreducible (capillary bound)
[10] logarithmic mean T2
[11] Multi-layer perceptron
[12] back-propagation
[13] Imperialist Competitive Algorithm
[14] (Particle Swarm Optimization
[15] mean-square error
Permeability estimation using petrophysical logs and Aartificial iIntelligence methods: A case study in Asmari reservoir of one of the oil fields of southwestern Iran
Abouzar Mohsenipour 1 *, Bahman Soleimani 2, Iman Zahmatkesh 3, Iman veisi 4
1- PhD student, Department of Petroleum Geology and Sedimentary Basins, Faculty of Earth Sciences, Shahid Chamran University of Ahvaz, Ahvaz, Iran
2- Professor, Department of Petroleum Geology and Sedimentary Basins, Faculty of Earth Sciences,
Shahid Chamran University of Ahvaz, Ahvaz, Iran
3- Assistant Professor, Department of Petroleum Geology and Sedimentary Basins, Faculty of Earth
Sciences, Shahid Chamran University of Ahvaz, Ahvaz, Iran
4- Petrophysicist in National Iranian South Oil Company (NISOC), Ahvaz, Iran
Received: May 2021, September: 2021
Abstract
In this study, first, the permeability of the magnetic resonance imaging of the nucleus was calculated using two conventional methods, the free fluid model (Coates) and the Schlumberger model or the mean T2 (SDR). Then, a simple model of artificial neural network was designed with the training process of the backpropagation algorithm, then using the Imperialist competition optimization algorithm (ANN-ICA) and particle swarm algorithm (ANN-PSO) this model was optimized and It was used to estimate the permeability parameter. Finally, the results were analyzed by comparing the estimated permeability with the actual value and the estimation accuracy was compared in terms of two parameters of mean-square error and correlation coefficient. The results indicate the high accuracy of the permeability values estimated using a combination of simple neural network with optimization algorithms. The results of combining optimization algorithms in this study can be used as a powerful and useful method to obtain other parameters, including reservoir, petrophysical and geomechanical parameters.
Keywords: permeability, artificial neural network, Imperialist competition algorithm, particle swarm algorithm, nuclear magnetic resonance log, Asmari reservoir
