تخمین و مقایسه ی تراوایی حاصل از داده های لاگ با استفاده از روش الگوریتم ژنتیک و الگوریتم کلونی مورچه در میدان گازی پارس جنوبی

تعیین تراوایی در مخازن هیدروکربنی را می توان جزو اجزای جداناپذیر شبیه سازی مخزن، تسهیل برداشت نفت، عملیات تکمیل چاه و به طورکلی استراتژی های اکتشافی و بهره برداری دانست. علیرغم اهمیت حیاتی آن، تراوایی یکی از سخت ترین و بحث برانگیزترین ویژگی های پتروفیزیکی است که باید با دقت بالایی محاسبه شود. اخیراً روش های مختلف هوش مصنوعی به منظور پیش بینی این پارامتر اساسی با استفاده از داده های چاه پیمایی به کاربرده شده اند. بااین حال پیش بینی ویژگی های مخازن ناهمگن همواره با دشوارهای بسیاری همراه بوده است و به سختی پاسخ مناسبی به دست آمده است. در این مطالعه تلاش شده است تا میزان تراوایی با استفاده از الگوریتم کلونی مورچه و الگوریتم ژنتیک در مخزن کربناته کنگان و دالان در میدان پارس جنوبی تخمین زده شود. نتایج تخمین تراوایی نشان می دهد که در این امر الگوریتم کلونی مورچه نسبتاً بهتر از الگوریتم ژنتیک عمل کرده است. عملکرد این روش ها به وسیله ی مقایسه نتایج با نتایج حاصل از دو روش پرکاربرد شبکه عصبی مصنوعی و سیستم استنتاج فازی-عصبی بررسی شد. علاوه بر آن یک روش نوین با استفاده از ترکیب روشهای بهینه سازی تصادفی و سیستم استنتاج فازی به منظور پیش بینی تراوایی ارائه شد. مدل پیشنهادی که سیستم فازی-کلونی مورچگان نامیده می شود بر پایه ی ترکیب اسنتاج فازی و الگوریتم بهینه سازی کلونی مورچه بناشده است. در این مطالعه داده های مربوط به نگارهای چاه پیمایی و مغزه های حفاری از دو چاه میدان پارس جنوبی به منظور تخمین تراوایی بکارگرفته شد. داده های چاه sp-a به منظور ساخت مدل و چاه sp-b برای بررسی توانایی مدل های هوشمند استفاده شد. مقایسه ی نمودارهای مربوط به نگارهای مختلف چاه پیمایی با تراوایی حاصل از مغزه در چاه آموزشی نشان داد که nphi، dt و gr نسبت به سایر نگارهای چاه پیمایی تطابق بهتری با تراوایی دارد، بنابراین این نگارها به عنوان ورودی های مدل های هوشمند استفاده شدند. نتایج تجربی نشان داد که مدل فازی-کلونی مورچگان نسبت به سایر روشها بهتر عمل کرده و می تواند به عنوان یک روش قدرتمند برای تخمین تراوایی بویژه در حالت نیاز به پیش بینی با دقت بالا استفاده شود. علاوه بر آن نتایج حاصل از این مطالعه نشان داد که این مدل می تواند به عنوان ابزاری موثر برای پیش بینی سایر ویژگی های مخزنی ازجمله سرعت موج برشی، تخلخل و مقدار کل کربن آلی نیز استفاده شود.