استفاده ازتکنیک های یادگیری جمعی بر پایه انتخاب ویژگی برای پیش‌بینی سرعت موج برشی

هاشم زاده کلواری, عابدین; زحمت کش, ایمان

doi:10.22055/aag.2023.43470.2364

استفاده ازتکنیک های یادگیری جمعی بر پایه انتخاب ویژگی برای پیش‌بینی سرعت موج برشی

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ گروه زمین شناسی نفت و حوضه های رسوبی، دانشکده علوم زمین، دانشگاه شهید چمران اهواز

² دانشگاه شهید چمران اهواز

10.22055/aag.2023.43470.2364

چکیده

سرعت موج برشی یکی از پارامترهای مهم برای تعیین خواص مکانیکی و پتروفیزیکی در مخازن هیدروکربوری است. اندازه‌گیری موج برشی به کمک روش‌های آزمایشگاهی و بهره‌گیری از ابزار صوتی دوقطبی امکان‌پذیر است، با این‌حال، با توجه به هزینه بالای عملیات مغزه‌گیری و اخذ لاگ صوتی دوقطبی، داده‌های واقعی موج برشی تنها برای تعداد محدودی از چاه‌های یک میدان در دسترس می‌باشند. برای غلبه بر این محدودیت‌ها، روش‌های مختلف هوش مصنوعی به منظور تخمین پارامتر مذکور از طریق لاگ‌های معمول چاه به کار برده می‌شوند. در این مطالعه به تخمین سرعت موج برشی با استفاده از روش‌های یادگیری جمعی (ensemble learning) در مخزن آسماری میدان منصوری پرداخته شد. در این مطالعه، سرعت موج برشی با استفاده از روش‌های یادگیری جمعی مثل رای‌گیری (Voting)، برانبارش (Stacking) ، بسته‌بندی (Bagging) و تقویت (Boosting) در مخزن آسماری برآورد شد و نتایج با مدل های مرسوم مثل، رگرسیون خطی (LR)، رگرسیون بردار پشتیبان (SVR)، الگوریتم نزدیک‌ترین همسایه (KNN)، درخت تصمیم (DT)، شبکه عصبی (ANN) و روش‌های هیبریدی مثل ترکیب شبکه عصبی با الگوریتم‌ ژنتیک (ANN-GA)، ازدحام ذرات (ANN-PSO) و سیستم‌های فازی (ANFIS) مقایسه شد. به منظور ارزیابی و اعتبارسنجی مدل‌ها از ضریب همبستگی و ریشه میانگین مربعات خطا استفاده شد. مقایسه مدل‌های مرسوم و روش‌های هیبریدی با روش‌های یادگیری جمعی نشان داد که الگوریتم‌های جمعی عملکرد بهتری در تخمین موج برشی دارند. از بین روش‌های یادگیری جمعی نیز مدل کت‌بوست (Catboost) با میزان R2 برابر 0.983 و RMSE برابر با 0.058 بهترین عملکرد را نشان داد و قادر به تعیین موج برشی با دقت بالاست.

کلیدواژه‌ها