برآورد نفوذپذیری میدان گازی پارس جنوبی با استفاده از شبکه عصبی رگرسیون عمومی

نفوذپذیری یکی از ویژگی‌‌های بسیار مهم مخازن نفتی است که قابلیت انتقال یک شاره مانند نفت، گاز و یا آب را درفضاهای خالی موجود در سنگ مخزن نشان می‌‌دهد. تعیین نفوذپذیری در فرایندهایی چون برآورد ذخیره، تولید و توسعه مخازن نفتی، جایگاه خاصی دارد. در صنعت نفت معمولاً روش استاندارد برای تعیین نفوذپذیری، آنالیز مغزه و آزمایش چاه است. این روش‌ها بسیار پُرهزینه‌اند. از طرفی همه چاه‌‌های یک میدان دارای مغزه نیستند. درنتیجه روشی که بتواند با استفاده از نگارهای چاه‌‌پیمایی خواص پتروفیزیکی مخزن از جمله نفوذپذیری را به‌دست دهد، اهمیت زیادی خواهد داشت، زیرا در همه چاه‌‌های یک میدان معمولاً نگارهای چاه موجود هستند. در این تحقیق از روش شبکه عصبی رگرسیون عمومی (GRNN, General regression neural network) برای برآورد نفوذپذیری دو سازند کنگان و دالان میدان گازی پارس جنوبی به‌ روش نگارهای چاه‏پیمایی استفاده شده است و نتایج با روش برآورد رگرسیون خطی چندمتغیره نیز مقایسه شد. نتایج حاصل نشان می‌‌دهد که ضریب همبستگی متوسط بین نفوذپذیری پیش‏بینی شده با شبکه عصبی طراحی شده و نفوذپذیری مغزه برای دو سری داده آموزش و آزمون به‌‌ترتیب حدود 95/0 و 902/0 در مقایسه با مقادیر 85/0 و 812/0 روش رگرسیون خطی چندمتغیره است. این در حالی است که برای داده‌‌های مرحله آزمون‌‌ میزان خطای برآورد شبکه عصبی در مقابل خطای روش رگرسیون خطی چندمتغیره به‌‌طور قابل‌‌ملاحظه‌‌ای کمتر بوده است (متوسط 65/0 در برابر 888/0 ) و به همین علت می‌‌توان نتیجه گرفت که شبکه عصبی رگرسیون عمومی با توجه به پیچیدگی‌‌های خواص مخازن نفتی، نسبت به روش رگرسیون خطی چندمتغیره، سرعت و دقت بهتری در برآورد نفوذپذیری سنگ مخزن دارد.