بهینه سازی پاسخ شبکه عصبی کمیته ای در تخمین اشباع از آب مخزن توسط الگوریتم ژنتیک

یکی از پارامترهای بسیار مهم و کاربردی در مخازن هیدروکربنی، پارامتر اشباع از آب می باشد که به صورت درصد فضاهای خالی که توسط آب پر شده است تعریف می شود. در این تحقیق از شبکه های عصبی کمیته ای برای تخمین این پارامتر استفاده شده است. برای این کار از داده های 5 چاه واقع در یکی از میادین جنوب غربی ایران استفاده شده است. مقادیر عددی نگارهای صوتی، چگالی، پرتو گاما، مقاومت ویژه، مقاومت ویژه نرمال بلند و همچنین مقدار تخلخل موثر (که از روی نگارهای مختلف و داده های مغزه ها به دست آمده است) به عنوان ورودی و اشباع از آب به عنوان خروجی در نظر گرفته شد. این روش به مراتب از زمانی که یک تک شبکه داریم قوی تر و دقیق تر می باشد. اجزاء این ترکیبات کمیته ای شبکه های پرسپترون چند لایه می باشند که بهترین ساختار آنها با فرایند سعی و خطا از لحاظ داشتن کمترین خطای آزمون انتخاب شدند. تعداد 59 شبکه با ساختارهای مختلف مورد آموزش و آزمون قرار گرفتند. آموزش این 59 شبکه با 3 روش فراآموزش، مرتب سازی و توقف سریع انجام شد. از بین این 59 شبکه، 7 شبکه با کمترین خطا برای ساختن ترکیبات کمیته ای انتخاب و 120 ترکیب ممکن، یعنی 21 ترکیب دو شبکه ای، 35 ترکیب سه شبکه ای، 35 ترکیب چهار شبکه ای، 21 ترکیب پنج شبکه ای، 7 ترکیب شش شبکه ای و 1 ترکیب هفت شبکه ای ایجاد شد. ضرایب وزنی این ترکیبات خطی با استفاده از دو روش الگوریتم ژنتیک و میانگین گیری ساده به دست آورده شدند و سپس نتایج حاصل از این ترکیبات با هم مقایسه شد. برای روش فرا آموزش، شبکه تک لایه با ساختار (1-10-6) به عنوان بهترین شبکه شناخته شد. در حالتی که ضرایب وزنی ترکیب خطی شبکه های (1-10-6)، (1-5-6-6)، (1-13-6)، (1-11-6) و (1-9-4-6)، با استفاده از روش الگوریتم ژنتیک به دست آورده شد، بیشترین کاهش خطای آزمون در ترکیب این شبکه ها مشاهده گردید. در روش مرتب سازی، شبکه با ساختار (1-2-10-6) کمترین خطا را در مرحله ی تعمیم به همراه داشت. در حالتی که ضرایب وزنی ترکیب خطی شبکه های (1-2-10-6)، (1-5-6-6)، (1-6-5-6)، (1-10-4-6) و (1-6-6-6)، با استفاده از روش الگوریتم ژنتیک به دست آورده شد، بیشترین کاهش خطای آزمون در ترکیب این شبکه ها مشاهده گردید. در روش توقف سریع، شبکه با ساختار (1-8-8-6)، در مرحله ی تعمیم دارای کمترین خطابود. ضرایب وزنی ترکیب خطی شبکه های (1-8-8-6)، (1-9-8-6)، (1-15-6)، (1-9-6-6) و (1-10-7-6)، )، با استفاده از روش الگوریتم ژنتیک به دست آورده شد و بیشترین کاهش خطای آزمون در ترکیب این شبکه ها مشاهده گردید.