مدل‌سازی پهنه‌های اکتشاف نفتی با شبکه عصبی پرسپترون چند لایه (MLP) در GIS

• Main Authors: نورالدین میثاق, نجمه نیسانی سامانی, عطااله عبدالهی کاکرودی, سید کاظم علوی پناه, عباس بحرودی
• Format: Article
• Language: fas
• Published: Research Institute of Petroleum Industry 2018-02-01
• Series: Pizhūhish-i Naft
• Subjects: پهنه‌های اکتشافی; مدل‌سازی; mlp; gis; میدان نفتی
• Online Access: https://pr.ripi.ir/article_724_9b1682d2a7e263342b16254fde1fd9d6.pdf

فرآیند اکتشاف منابع هیدروکربنی به‌عنوان فرآیندی بسیار پیچیده و پرهزینه می‌باشد. در این فرآیند فاکتورهای متعدد زمین‌شناسی، ژئوشیمی و ژئوفیزیک تهیه و باهم تلفیق می‌شوند. طراحی بهترین مسیر برای برداشت داده‌های لرزه‌نگاری و همچنین تعیین بهترین محل برای حفر چاه‌های اکتشافی از اهمیت ویژه‌ایی برخوردار است، زیرا نتیجه تعیین نادرست یا بی‌دقت این مکان‌ها، صرف هزینه و زمان زیاد در طول عملیات می‌باشد. این تحقیق با هدف تعیین مناطق محتمل نفت و گاز با مقیاس 1:25000 اهواز با 20 میدان نفتی به منظور کاهش زمان و هزینه اکتشاف و تولید می‌باشد. 17 نقشه‌ فاکتور شامل: کمترین و بیشترین مقدار(غنای کربن آلی، بازده پتانسیل برای تولید هیدروکربن، پیک Tmax، اندیس تولید، اندیس اکسیژن، اندیس هیدروژن) و داده‌های مجاورت به مناطق دارای آنومالی باقی‌مانده ثقل بوگه بالا، محور طاقدیس‌ها و گسل‌ها، نقشه‌ ناهمواری و انحنا حاصل از منحنی‌های زیر سطحی سازند آسماری توسط توابع سیستم اطلاعات جغرافیایی ایجاد شدند. برای ترکیب نقشه‌های فاکتور، از مدل شبکه عصبی پرسپترون MLP که از روش‌های داده مبنا است، استفاده شد. نتایج حاصل از مدل‌سازی با داده‌های آزمون نشان داد که شبکه عصبی 5×10×17، با شاخص کاپای 9079/0، همبستگی 8948/0 و RMSE برابر با 0267/0 توانسته است بهتر از مدل‌های دیگر، خروجی‌ها را تولید کرده و با دقت بالایی میدان‌های نفتی را پیش‌بینی کند هرچند که میادین سوفلا و سپهر شناسایی نشده و برخی قسمت‌ها نیز به اشتباه، جزء میادین نفتی طبقه‌بندی شده‌اند.