نام پژوهشگر: حسین رحیم‌پور

تخمین پارامترهای ژئوشیمیایی و پتروفیزیکی از نمودارهای چاه پیمایی و نشانگرهای لرزه ای با استفاده از سیستم های هوشمند در میادین هیدروکربنی جنوب ایران
پایان نامه موزه جانورشناسی دانشگاه تهران 1388
  علی کدخدائی   حسین رحیم پور

تخمین خصوصیات سنگ با استفاده از سیستم های خبره اطلاعات بسیار با ارزشی را برای توصیف مخزن فراهم می کند. سیستم های خبره بطور موفقیت آمیزی جهت استخراج اطلاعات پنهان در داده های زمین شناسی، پتروفیزیکی و لرزه ای بکار رفته اند. در این رساله فرمولاسیونهای هوشمندی بین داده های ژئوشیمیایی/ پتروفیزیکی، پتروفیزیکی/پتروفیزیکی، پتروفیزیکی/لرزه ای و حفاری/زمین شناسی برقرار شده است. به این منظور سیستم های خبره منفرد و ترکیب آنها در ساختار یک ماشین گروهی مورد استفاده قرار گرفته اند. الگوریتم های ژنتیک برای محاسبه مشارکت (وزن) بهینه الگوریتم های هوشمند خبره در ساختار ماشین گروهی استفاده شده اند. مدلهای مختلفی توسعه یافتند که عبارتند از: یک ماشین گروهی با سیستم های هوشمند (cmis) که الگوریتم های شبکه عصبی، منطق فازی و عصبی-فازی را جهت تخمین محتوای کل کربن آلی از داده های پتروفیزیکی با هم ترکیب می کند. یک شبکه عصبی گروهی که الگوریتم های آموزشی مختلف شبکه عصبی (cmta) را جهت تخمین محتوای نفت نرمال با هم ترکیب می کند. یک سیستم استنتاج فازی گروهی (cfis) که سیستم های استنتاج فازی سوگنو (sfis)، ممدانی (mfis) و لارسن (lfis) را جهت تخمین تخلخل، حجم شیل و آب اشباع شدگی از داده های لرزه ای با هم ترکیب می کند. یک مدل فازی-عصبی گروهی (cfn) که از مزایای شبکه عصبی و منطق فازی جهت تخمین داده های درجه بندی ژئوفیزیکی چینه از داده های لرزه ای بهره می گیرد. همچنین مدل های هوشمند منفرد شامل الگوریتم های سیستم های فازی، شبکه عصبی و عصبی-فازی جهت تخمین شاخص زون جریانی، واحدهای جریانی هیدرولیکی، سرعت موج برشی و داده های پتروفیزیکی از نمودارهای چاه پیمایی معمول مورد بررسی قرار گرفتند. در پایان الگوریتم های جدید یادگیری ماشین ایدابوست (adaboost) و لاجیت بوست (logitboost) جهت فرموله کردن داده های اندازه گیری در حین حفاری (mwd) به گونه های سنگی زمین شناسی، مورد استفاده قرار گرفتند. بعلاوه بین الگوریتم های بوستینگ (boosting)، منطق فازی و شبکه عصبی از نقطه نظر سادگی اجرا، زمان محاسباتی، دقت، صحت و حساسیت (بازخوانی) مقایسه ای صورت گرفت. داده های این مطالعه مربوط به میدان گازی پارس جنوبی، میدان نفتی ابوذر، میدان نفتی اهواز و میدان نفتی جزیره خارک از ایران و میدان نفتی جزیره بَرو و ناحیه گونیلای شمالی از استرالیا هستند. از مطالعات موردی در میادین استرالیا به عنوان تاییدی بر قابلیت کاربرد مدلهای هوشمند جدید توسعه یافته برای میادین هیدروکربنی ایران، استفاده شده است. نتایج این مطالعه اعتبار روشهای هوشمند جدید و یادگیری ماشین را جهت تخمین خصوصیات سنگ نشان می دهند.