پیغام مدیر :
با سلام خدمت شما بازديدكننده گرامي ، خوش آمدید به سایت من . لطفا براي هرچه بهتر شدن مطالب اين وب سایت ، ما را از نظرات و پيشنهادات خود آگاه سازيد و به ما را در بهتر شدن كيفيت مطالب ياري کنید.
 
 
ساعت : 9:16 AM
نویسنده : مسلم گشتاسب

آشنایی با هوش مصنوعی در مشخصه سازی و مدل سازی مخازن شکافدار طبیعی

 ▪ شکاف:

هرگونه شکست یا جداشدگی در سنگ را گویند که در نتیجه ی عواملی چون فشار سیال، تنش های لایه ای، تنش های تکتونیکی و غیره حاصل شود.

مخازن شکافدار طبیعی :

آن دسته از مخازنی را گویند که وجود شکاف در آنها نقش عمده ای (مثبت و یا منفی) در تولید سیال نفتی ایفا نماید.


شبکه عصبی مصنوعی:

شبکه ایست ملهم از سیستم عصبی انسان جهت پردازش اطلاعات، با بهره گیری ازحداقل سه لایه (ورودی، پنهان و خروجی) از نقاط (nodes) و اوزان ارتباط دهنده آنان (nerves) .


لزوم مطالعه و مدل سازی مخازن شکافدار طبیعی:

مخازن شکافدار طبیعی از پیچیده ترین ساختارهای زمین شناسی در علم مهندسی نفت و در عین حال از عمده ترین منابع تولید هیدروکربن در سراسر جهان و بالاخص کشورمان به حساب می آیند، لذا مشخصه سازی و مدل سازی آن ها همواره محل چالش مهندسین نفت بوده است. وجود انبوهی از شبکه شکاف ها در این گونه مخازن نقش بسزایی در هدایت سیالات نفتی به سمت چاه ها و نیز گاها ممانعت در امر تولید ایفا می نماید که خود سبب بروز فرضیات و سناریوهای متعدد برای تولید بهینه ی اقتصادی از این مخازن می گردد. در عین حال دشواری های فراوانی برای شناخت مخازن شکافدار طبیعی وجود دارد.

باید توجه کرد که کسب اطلاعات از خصوصیات گوناگون سنگ و شکاف در این گونه مخازن محدود به یک ابزار خاص نیست و نمی توان با بهره مندی از یک فن آوری مشخص، به تمام ابعاد و پیچیدگی های آنان پی برد. در واقع وسایل و ابزارآلات اندازه گیری خصوصیات در این مخازن دامنه (scale) وسیعی را دربر می گیرند. برای نمونه از خروجی های لرزه نگاری (seismic) برای شناسایی شکست های عمده (major faults) با ابعاد کیلومتری در مخزن می توان استفاده کرد و در همین حال آزمایشات گوناگون بر روی مغزه (core) امکان بازشناسی ترک های بسیار کوچک در ابعاد میلیمتری را مهیا می سازد.

بنابر این جامعیت عملکرد مشخصه سازی در این مخازن منوط به استفاده هوشمند و صحیح از اطلاعات بسیار متنوع موجود و در عین حال یافتن ارتباط (correlation) میان چنین اطلاعاتی است. روش های مختلف مدل سازی مخازن استفاده هوشمند و تعیین رابطه ی میان اطلاعات اخذ شذه از مخزن را برعهده دارند.

 

آشنایی با هوش مصنوعی در مشخصه سازی و مدل سازی مخازن شکافدار طبیعی

 

امروزه عمده روش های موجود برای مدل سازی مخازن شکافدار طبیعی استفاده از مفاهیم زمین آماری و مدل سازی فضایی خصوصیات مختلف سنگ و شکاف با بهره گیری از علم آمار می باشد، اما محدودیت های موجود در برآورد ارتباط (correlation) میان خصوصیات مختلف شکاف (از قبیل اندازه (size) ، شیب (orientation) ، دهانه (aperture) و ...) در علم زمین آمار، امکان استفاده ی حداکثر دو پارامتر و جستجوی ارتباط بین آن ها را به مهندس نفت می دهد که خود عامل پیدا کاستی در مدل و سطحی بودن نتایج است.


کاربرد هوش مصنوعی

با ظهور مفاهیم هوش مصنوعی (AI) و بالاخص شبکه های عصبی مصنوعی (ANN) و کاربرد روزافزون آن در مباحث مختلف صنایع بالادستی نفت در سال های اخیر، توجه بسیاری از محققان برای بهره گیری از آن ها در مدل سازی مخازن شکافدار طبیعی جلب گردیده است. قابلیت استفاده از ورودی های متنوع و بعضا متناقض (دقیقا مانند آنچه نتایج آزمایشات مختلف در ابعاد گوناگون در مخازن شکافدار طبیعی بدست می دهند) و در آمیختن هوشمند آن ها با استفاده از توابع وزن دار و بهینه سازی و خاصیت آموزش پذیری شبکه و در نهایت محدود نبودن توابع خروجی به مقادیری ریاضی و فرمولیزه، توانایی شبکه های عصبی مصنوعی را در مدل سازی دقیق تر و منطبق با واقعیات نشان می دهد.

● مراحل مشخصه سازی و مدل سازی:

باید دقت داشت یکی از مهم ترین مراحل مدل سازی، مشخصه سازی خصوصیات و پارامترهای گوناگون شکاف می باشد. مشخصه سازی در واقع تولید روابط ریاضی حاکم بر این خصوصیات با استفاده از روش های آماری، زمین آماری و شبکه عصبی است.


آنالیز خواص شکاف ها با استفاده از هوش مصنوعی

همانطور که پیشتر گفته شد، روش های آماری و زمین آماری تنها قادرند دو پارامتر را به طور همزمان آنالیز کنند (با بهره گیری ازحداقل مربعات خطا، کریجینگ و واریوگرام) و آن هم به شرط یکنواختی توزیع آن ها. در مقابل منطق فازی و شبکه عصبی (FNN) محدودیتی در این خصوص ندارند. مراحل زیر برای مشخصه سازی سه بعدی دو پارامتر عمده ی میانی (تجمع شکاف ها (Fracture Intensity) و اندازه فراکتال (Fractal Dimension)) با استفاده از داده های محدود درون چاه انجام می گیرد:

۱) ابتدا مقادیر دقیق پارامترهای فوق الذکر در نقاطی از چاه که مغزه گیری شده است محاسبه می شود.

۲) سپس با در نظر گرفتن نتایج نمودارگیری به عنوان داده های ثانوی شبکه ای عصبی ساخته می شوند و یک توزیع دو بعدی از این پارامترها در طول چاه به دست می آید.

۳) در مرحله پایانی برای حاصل شدن یک توزیع سه بعدی از این دو پارامتر، اطلاعات لرزه نگاری و دیگر نتایج با ابعاد میدانی به عنوان داده های ثالثیه به یک شبکه عصبی جدید داده می شود.

 

اما ترکیب بندی هر شبکه عصبی از اجزای ثابتی تشکیل می شود:

ـ حداقل سه لایه (ورودی، پنهان و خروجی) از نقاط (nodes)

ـ اوزان ارتباط دهنده آنان (nerves).


هدف از پروسه یادگیری در هر شبکه عصبی عبارتست از تغییر مداوم ضرایب وزن دار (
Weighting Factors) جهت مینیمم سازی خطا در اطلاعات خروجی. تا کنون انواع گوناگونی از شبکه های عصبی بر اساس نحوه تعامل لایه های مختلف و بهینه سازی اوزان ارتباط دهنده ی آن ها معرفی شده اند.


نکته قابل توجه برای قابل اتکا بودن یک شبکه عصبی، لزوم وجود ارتباط میان داده های ورودی و مقادیر خروجی است. معمولا در ابتدا انبوهی از اندازه گیری ها و اطلاعات در اختیار است که شناسایی و طبقه بندی صحیح آن ها پیش از هر چیز لازم است. منطق فازی (
Fuzzy Logic) ابزار مناسبی برای انجام این مهم است. رتبه بندی ورودی ها (Input Ranking) پس از آموزش دیدن شبکه اعمال می شود تا آن دسته از اطلاعات که ارتباط ناچیزی با خروجی دارند و یا به طور کل سبب انحراف شبکه می شوند حذف گردند. طبقه بندی داده ها (Data Classification) وسیله ایست که جهت مقدار دهی به داده های توصیفی و پارامتریزه کردن آن ها استفاده می گردد.


در پایان ذکر این نکته ضروریست که بهره گیری از قابلیت های شبکه های عصبی مصنوعی و دیگر متعلقات هوش مصنوعی منوط به داشتن اطلاعات، داده ها و نتایج گسترده و وسیعی است، چرا که آموزش پذیری یک شبکه عصبی با افزایش تعداد مجموعه های ورودی-خروجی بهتر و علمی تر می گردد. همچنین اختصاص حجم مشخصی از این داده ها برای تایید اعتبار (
Validation) شبکه عصبی آموزش دیده شده (معمولا ۲۰ درصد) ممکن است سبب کاهش قابل توجه دقت و صحت کارکرد خود شبکه شود. در حالی که هدف، دستیابی به کارآمدترین سناریو برای موقعیت یابی چاه های حفاری، روش های تولید از مخزن، به کار گیری راهکارهای توسعه و صیانت از مخزن، و همچنین مطالعه ی فرآیندهای ازدیاد برداشت، در اولین گام های حیات مخزن می باشد، نبود اطلاعات کافی در این مقطع خود عامل منحرف کننده برای تصمیم گیری هایی چنین است.

لذا بهره گیری حداکثری از فن آوری های موجود در مطالعه و ارزیابی ابتدایی مخزن، از قبیل مطالعات گسترده ی زمین شناسی، لرزه نگاری های میدانی، حفر چاه های اکتشافی و راندن ابزار نمودارگیری و مغزه گیری در آن ها، عامل افزایش کارکرد هوش مصنوعی در شبیه سازی ایستا و پویا از مخزن شکافدار خواهد بود.

:: موضوعات مرتبط: مطالب مختلف مهندسی نفت (19)