سازند آسماری با سن الیگو – میوسن سنگ مخزن اصلی بسیاری از میادین فروافتادگی دزفول را تشکیل می¬دهد. آنالیز ریز رخساره، فرآیندهای دیاژنزی و مطالعه چینه¬نگاری سکانسی سازند آسماری بر اساس مطالعات پتروگرافی، لاگ¬های پتروفیزیکی و داده¬های تخلخل و تراوایی مغزه انجام گرفته است. مطالعات پتروگرافی منجر به تشخیص 12 ریز رخساره در پنج زیر محیط رسوبی شامل بین کشندی، لاگون، سد (متعلق به رمپ داخلی)، رمپ میانی و رمپ خارجی متعلق به رمپ کربناته کم شیب شد. ریز رخساره¬های محیط بین کشندی، لاگون و سد بیشتر در بخش بالایی سازند آسماری گسترش دارند حال آنکه در بخش میانی سازند ریز رخساره¬های رمپ میانی و خارجی گسترش دارند. تراکم، سیمانی شدن، انحلال، دولومیتی شدن و شکستگی فرآیندهای اصلی دیاژنزی موجود در سازند می¬باشند. سیمانی شدن و تراکم نقش مخرب را بر روی کیفیت مخزنی داشته¬اند حال آنکه دولومیتی شدن، انحلال و شکستگی نقش سازنده در شکل¬گیری کیفیت مخزنی دارند. مطالعات چینه‌نگاری سکانسی با توجه به مشخصات اصلی ریز رخساره‌ها، محیط رسوب¬گذاری آنها و نیز روندهای کم‌عمق شدگی و عمیق شدگی ریز رخساره‌ها منجر به تشخیص سه سکانس رده سوم آکی¬تانین زیرین، آکی¬تانین بالایی و ابتدای بوردیگالین شده است. ریز رخساره¬های سیستم تراکت پیشرونده (TST) در بخش¬های رمپ میانی تا خارجی تحت تأثیر تراکم، انحلال (قالبی)، سیمانی شدن و تا حدی دولومیتی شدن قرار گرفته¬اند. سیستم تراکت تراز بالا (HST) در بخش رمپ داخلی تحت تأثیر دولومیتی شدن، شکستگی و انحلال در نزدیکی مرزهای سکانسی قرار گرفته و از کیفیت مخزنی بهتری نسبت به سیستم تراکت پیشرونده برخوردار هستند. تفاصيل المقالة

امروزه استفاده از روش‌‌های یادگیری ماشین در تخمین داده‌‌های پتروفیزیکی کاربرد فراوانی دارد. در این مطالعه سعی شده لاگ صوتی برشی از دیگر داده‌های پتروفیزیکی با روش‌های یادگیری ماشین محاسبه و با داده‌‌های صوتی حاصل از مغزه مقایسه شوند. برای این منظور در ابتدا برای نرمال‌سازی داده‌‌ها روش‌‌های محاسباتی انحراف معیار، جنگل انزوا، حداقل کوواریانس و فاکتور پرتی استفاده و مورد مقایسه قرار گرفتند. با توجه به مقدار داده‌‌های حذفی و نمودارهای جعبه‌‌ای رسم شده، روش انحراف معیار برای نرمال‌سازی انتخاب شد. روش‌‌های یادگیری ماشین استفاده شده شامل جنگل تصادفی، رگرسیون چندگانه، رگرسیون تقویت شده، رگرسیون بردار پشتیبان، K نزدیک‌ترین همسایه و پرسپترون چندلایه می‌‌باشند. رگرسیون چندگانه پایین‌ترین اندیس ارزیابی (94/0 = R2) را داشت درحالی‌که رگرسیون جنگل تصمیم‌گیری با اندیس ارزیابی برابر 98/0، بالاترین همبستگی بین لاگ‌‌های صوتی برشی تخمین زده شده و لاگ صوتی اصلی را داشتند. بنابراین برای تخمین نهایی از رگرسیون جنگل تصادفی استفاده شد و برای جلوگیری از کلیت بخشی یا بیش برازش داده‌‌ها، از تابع GridSearchCV هایپرپارامترهای بهینه محاسبه و تخمین نهایی انجام شد. لاگ صوتی برشی تخمینی، با داده‌‌های صوتی حاصل از مغزه قرابت بسیار بالایی را نشان دادند. تفاصيل المقالة