بخشی از مقاله
چکیده
مطالعات گسترده و یکپارچه مخزن، بخش اصلی واجتناب ناپذیر مدیریت مخزن است. یکی از ابعاد مهم این مطالعه،تخمین پارامترهای مکانیک سنگ مخزن - مقاومت فشاری تک محوری مدول الاستیک و ضریب پواسون - میباشد. دسترسی به این پارامترها در مباحثی مانند بررسی دیواره و طراحی شکاف و برنامه حفاری بسیار مهم هستند. مقاومت فشاری عبارت است از ظرفیت تحمل یک جسم، مصالح ساختمانی یا سازه در مقابل نیروهای فشاری محوری مستقیم. هنگامی که حد مقاومت فشاری یک ماده فرا میرسد، آن ماده منهدم خواهد شد. هدف از این مطالعه تخمین ضریب UCS - مقاومت فشارشی تک محوره - با استفاده از دادههای چگالی سنگ - RHOB - ، تخلخل - PHIE - و اشباع آب - SW - است. در این پروژه برای مدل سازی USC از سه سیستم هوشمند شبکه عصبی چند لایه - MLP - ، سیستمهای انطباقی منطق فازی - ANFIS - و معادلات ژنتیکی - GEP - استفاده شده است. براساس نتایج به دست آمده، تمامی شبکههای طراحی شده از عملکرد قابل قبولی جهت پاسخ به سوال طراحی شده - تخمین ضریب UCS سنگ - برخوردارند و انتخاب دقیقترین شبکه کاملاً بستگی به کمیت و کیفیت جامعه آماری دادههای استفاده شده دارد. به عنوان مثال برای بسته دادهای اعتبارسنجی مورد استفاده در این مطالعه، شبکه ANFIS تاحدودی بهتر عمل کرده است.
-1 مقدمه
مطالعات گسترده و یکپارچه مخزن، بخش اصلی واجتناب ناپذیر مدیریت مخزن است. یکی از ابعاد مهم این مطالعه،تخمین پارامترهای مکانیک سنگ مخزن - مقاومت فشاری تک محوری مدول الاستیک و ضریب پواسون - میباشد. دسترسی به این پارامترها در مباحثی مانند بررسی دیواره و طراحی شکاف و برنامه حفاری بسیار مهم هستند. مقاومت فشاری عبارت است از ظرفیت تحمل یک جسم، مصالح ساختمانی یا سازه در مقابل نیروهای فشاری محوری مستقیم. هنگامی که حد مقاومت فشاری یک ماده فرا میرسد، آن ماده منهدم خواهد شد. بتن، مادهای است که دارای مقاومت فشاری بالایی است. برای مثال، بتن به کار رفته در بسیاری از سازههای بتنی، توانایی تحمل فشارهای بالای 50 مگاپاسکال را دارد؛ این در حال است که مصالح نرمی همچون ماسهسنگهای نرم، مقاومت فشاریای در حدود 5 یا 10 مگاپاسکال دارند. معمولا مقاومت فشاری تک محوری نمونههای سنگ با استفاده از آزمایش مقاومت فشاری تک محوری در آزمایشگاه تعیین میگردد. در این آزمایش با افزایش نیروی فشاری تک محوری، کرنش نمونه سنگ اندازهگیری میشود. تنش در لحظه شکست به عنوان حداکثر مقاومت سنگ در نظر گرفته می شود. روش دیگر برای پیش بینی مقاومت فشاری تک محوری استفاده از آزمایش های شاخص - مانند شاخص بار نقطهای - می باشد.
در ایران به دلیل محدودیتهای تکنولوژی و کمبود تجهیزات و ظرفیتهای آزمایشگاهی، اندازهگیری این پارامترها به صورت مستقیم همواره مقدور نمیباشد؛ لذا از روشهای غیرمستیقم برای این منظور استفاده می-شود. اما در دیگر نقاط جهان مطالعات خوبی روی این موضوع انجام شده است. در سال 1993 وروال - Verwaal - و مولدر - Mulder - امکان پیشبینی UCS با استفاده از اطلاعات حاصل از آزمایش سختی اشمیت را مورد بررسی قرار دادند. آسف - Asef - بر اساس تحقیقات خود پیشنهاد داد که دستگاه آزمایش سختی اشمیت می تواند به عنوان یک تست شاخص برای ویژگی های مقاومتی سنگ در نظر گرفته شود. وروال، مولدر و آسف برای پیش بینی UCS از مدل های آماری هم استفاده کرده اند. مشکل اصلی روابط آماری - مانند تحلیل رگرسیونی - این است که تنها مقادیر متوسط را پیش بینی می کنند. بنابراین مقادیر پایین UCS دست بالا برآورد می شوند، در حالیکه مقادیر بالای UCS کمتر از مقدار واقعی برآورد می شوند. شبکه عصبی UCS پیش بینی شده را به مقدار میانگین محدود نمی کند. در سال 2010 دهقان و همکاران مقاومت فشاری تک محوری و مدول الاستیسیته را با استفاده از تکنیک شبکهای عصبی به دست آوردند. در سال 2012 ربانی و همکاران با استفاده از تکنیک شبکههای عصبی مصنوعی و دادههای لاگ، مقاومت فشاری تک محوری را در یکی از میادین نفتی جنوب ایران به دست آوردند. در سال 2011، سویک - cevik - و همکاران با استفاده از تکنیک شبکههای عصبی مصنوعی، مدلی را برای مقاومت فشاری تک محوری بعضی از سنگهای شیلی ارائه دادند .[1] تخمین مقاومت فشارشی تک محوره - UCS - به صورت غیرمستقیم با استفاده از اطلاعات نمودارگیری مخزن و دادههای آزمایشگاهی مغزه، مدنظراین پروژه میباشد در این مطالعه فرض میشود که در مخزن مورد مطالعه، سری کامل دادههای پتروفیزیکی در دسترس باشند که البته از انجا که بعد از حفاری یک چاه، بلافاصله عملیات نمودارگیری انجام میشود لذا این فرض معمولاً برقرار است. همچنین وجود همبستگی بین دادههای نمودار و مغزه از دیگر مفروضات است که با توجه با فیزیک مکانیک سنگ و ماهیت استاتیکی دادهها، فرضیهای معقول و اثبات شده است.
-2 آماده سازی دادهها و انتخاب دادههای مناسب
چنانچه اشاره شد، هدف از این مطالعه تخمین ضریب UCS با استفاده از دادههای چگالی سنگ - RHOB - ، تخلخل - PHIE - و اشباع آب - SW - است. در این تحقیق 80 درصد دادههای بخش مدل سازی برای آموزش و 20 درصد برای تست شبکه به صورت تصادفی انتخاب شده است. تعداد دادههای استفاده شده برای تخمین مقاومت فشاری تک محوره سنگ با استفاده از 3آموزش، تست و صحت آزمایی در جدول 1 ارائه شده است.
همان طور که مشخص است تعداد دادههای بخش آموزش شبکه از موارد دیگر بیشتر است، این بدان دلیل است که شبکه بر اساس این دادهها ساخته میشود و باید معرف کل دادههای مورد استفاده باشد. مرحله بعدی در آماده سازی دادهها نرمال کردن آنها است. پیش از ورود دادهها به شبکه هوشمند، تمام دادهها در بازه [-1 1] نرمال شدند. همسان سازی محدوده دادهها باعث بهبود عملکرد شبکههای هوشمند میشود. مرحله بعدی، انتخاب ورودی مناسب برای شبکه هوشمند است. این کار تأثیر زیادی در ساخت شبکه دارد. در حالت کلی ورودیهایی که با خروجی ضریب همبستگی بالاتری دارند، باعث ایجاد تخمینهای بهتری میشوند.
-3 مدلسازی شبکهها
در این پروژه برای مدل سازی USC از سه سیستم هوشمند شبکه عصبی چند لایه - MLP - ، سیستمهای انطباقی منطق فازی - ANFIS - و معادلات ژنتیکی - GEP - استفاده شده است. سیستمهای هوشمند خبره در حقیقت نتایج حاصل از دیگر شبکهها را با هم ترکیب میکند و راه حلی بهبود یافته نسبت به هر یک از سیستمهای هوشمند به کار گرفته شده را ارائه میکند. در تمامی شبکههای ساخته شده، ورودی خام، اشباع، چگالی و تخلخل سنگ است.
1. شبکه عصبی چند لایه
در این مرحله برای شبیه سازی از یک شبکه عصبی 3 لایه استفاده شد. این شبکه عصبی سه لایه، در لایه ورودی شامل 3 نرون و در لایه خروجی شامل 1 نرون است. برای هر دو لایه پنهان و خروجی از تابع فعال سازی tansig استفاده شد. تابع هدف نیز کمینه مربعات خطا - MSE - در نظر گرفته شد. برای یافتن تعداد بهینه نرون های لایه پنهان، شبکههای عصبی متعددی ساخته شد و عملکرد آنها مورد بررسی قرار گرفت. برای این
