بخشی از مقاله
چکیده
در این مطالعه با استفاده از روش شبکه عصبی خودسازمانده - ژهق ؟غطzطغه؟طق سئکح - و اطلاعات نمودارهاي پتروفیزیکی، رخسارههاي الکتریکی سازند عرب در میدان نفتی سلمان تعیین شده است. مقایسه نتایج لیتولوژي، حجم شیل، تخلخل و اشباع آب با رخسارههاي تعیین شده توسط روش شبکه عصبی، تطابق قابل قبولی را بین رخسارههاي الکتریکی به دست آمده و مرزهاي لیتولوژیکی تعریف شده نشان داده و تقسیمبندي جدیدي از سازند را ارائه میدهد. این تقسیمبندي جنبه مخزنی داشته و تغییر خواص پتروفیزیکی در هر رخساره منحصربهفرد بوده و تغییرات این شاخصها در رخسارههاي جدا از هم مشخص است.
مقدمه
تعریف رخساره الکتریکی به معنی امروزي آن اولین بار به وسیله سرا [1] ارائه گردید. رخساره الکتریکی در این تعریف عبارت است از مجموعهاي از پاسخهاي لاگ که مشخص کننده یک لایه بوده و باعث تشخیص آن از لایههاي دیگر میگردد. در اینجا هر یک از دادههاي لاگ در بطن خود معرف خصوصیات رخساره میباشند. رخساره الکتریکی بر مبناي خوشهبندي دادهها تعریف میشود. خوشهبندي روشی است که نه تنها در ریاضیات بلکه در تمام علوم کاربرد دارد. در واقع خوشهبندي، دادهها و اطلاعات در دسترس را به نحوي بخشبندي کرده و به گروههاي مختلف تقسیم میکند.
-1 فرآیند عملکرد روش شبکه عصبی
هرگاه از مجموعهاي از لاگها استفاده میشود تا همزمان خصوصیات بیشتري به یک رخساره خاص تعلق گیرد، پاسخهاي مجموعه ابزارها به مراتب پیچیدهتر میگردد تا آنجایی که چشم انسان قادر به تقسیمبندي رخسارهها نخواهد بود .[2] روش مورد استفاده براساس دادههایی است که بیشترین همسانی را نشان میدهند، و این دادهها در رخسارهاي خاص قرار گرفته و توسط زمین شناس تفسیر میگردند.
این روش در دهه اخیر کاربرد فراوانی را در علوم مختلف براي مطالعه و بررسی عواملی همچون طبیعت دادهها، بهینه سازي، تخمین توابع و بسیاري موارد دیگر داشته است. برخلاف بیشتر روشهاي قدیمی که از یک الگوریتم ساده براي حل مسائل مورد نظر استفاده میکنند، این روش از فرآیند فراگیري از نمونهها بهره میبرد. این روش به وسیله شبکه رقابتی خود سازمانده کوهنن انجام میشود که یک مدل بدون ناظر است و توانایی وسیعی در حل مسائل شناخت و طبقهبندي الگوها دارد. شبکههاي بدون ناظر، فقط قادر به گروهبندي رخسارهها است و تشخیص یا نامگذاري آنها را انجام نمیدهد.
این روش در مرحله اکتشاف میدان، در مناطقی که چاههاي اکتشافی به تعداد زیاد وجود ندارد، به کار میرود. اطلاعات اضافی میتواند به شناخت طبقات کمک کند. انطباق اطلاعات چاه و نقشه تغییر رخسارهها، تخمینی از کیفیت مخزن در نواحی مختلف ارائه میکند 4]،.[3 این شبکه از ترکیب دو دسته قوانین یادگیري انجمنی و رقابتی به وجود میآید. براي یادگیري این شبکه به الگوهاي مرجع دسترسی نداریم و مقادیر اولیه بردارهاي وزن به طور تصادفی انتخاب میشوند. تعداد نرونها، معادل با تعداد مطلوب طبقات است.
هر نرون به عنوان نماینده یک کلاس محسوب میشود. در این شبکه بردارهاي ورودي با توجه به شباهتشان، دستهبندي میشوند. این فرآیند را خوشهبندي مینامند که در آن هر خوشه توسط یک نرون معرفی میشود. در این شبکه تعدادي سلول عصبی اغلب با توپولوژي مسطح در کنار یکدیگر چیده شدهاند. همه سلولها بر روي یکدیگر تاثیر گذاشته و به کمک یکدیگر کلاس بردار ورودي را تعیین میکنند.
این شبکه داراي یک لایه رقابتی با ساختار برگشتی است. در لایههاي رقابتی، در هر مرحله یادگیري، سطري از بردار ماتریس وزن که بیشترین نزدیکی را با بردار ورودي دارد، به سمت بردار ورودي حرکت میکند. این حرکت در مسیري است که بردار وزن قدیمی را به بردار ورودي نزدیک کند .[5] الگوریتم این شبکه بصورت زیر است: در لایههاي رقابتی، وزنهاي ارتباطی بین نرونها، تابعی از فاصله بین آنها است.
نوع ارتباط بین نرونها به خود مرکزآجانب گریز موسوم است. یعنی هر نرون خود را به عنوان مرکز تقویت کند و به طور همزمان تمامی نرونهاي دیگر را تضعیف میکند. در این لایهها فقط یک نرون در رقابت برنده و سایر نرونها بازنده میشوند. در شبکههاي عصبی بیولوژیک، نرونها در لایههاي دوبعدي آرایش میگیرند. در این آرایش، نرونها از راه اتصالات چانبی به طور فشرده به هم مرتبط هستند. در سیستمهاي عصبی بیولوژیک، به طور معمول انتقال از تقویت به تضعیف به صورت ملایم، متناسب با فاصله بین نرونها اتفاق میافتد. نرونهاي نزدیک یکدیگر، ارتباطاتی از نوع تقویتی دارند و میزان تقویت با افزایش فاصله بین نرونها کاهش مییابد.
