Reservoir formation facies identification using decision tree learning.

Abstract

خلال السنوات القليلة الماضية كان هناك اهتمام مفاجيء ومكثف لاستخدام الذكاء الاصطناعي في قطاع صناعة البترول . هذه الرسالة تستكشف استخدام تقنية الاستقراء الآلي وبالتحديد شجرة القرارات لتمييز وجوه طبقات المكامن الجيولوجية من واقع سجلات البئر . إن تمييز وجوه الطبقات الجيولوجية يعد أمراً حيوياً للنجاح الاقتصادي في إدارة المكامن وتطويرها . وعادة ما تؤثر وجوه الطبقات بدرجة كبيرة في حركة الهيدروكربونات وانتشارها . ولكن تمييز وجوه الطبقات المختلفة يعد مشكلة عويصة ، لأن معظم المكامن تحوي درجات متفاوتة من عدم التناسق الهيدروكربوني . هذه الرسالة تشرح الطرق المستخدمة لتمييز وجوه طبقات المكامن وتطرح طريقة جديدة لتمييزها . إن الطريقة التقليدية المتبعة لحل هذه المشكلة طريقة صعبة مملة وتستغرق وقتاً طويلاً لإنجازها . كما أنها طريقة تكرارية بحتة ، ويلزم استخدامها لكل بئر على حدة . كما أن الطريقة الموجودة حالياً محدودة باستخدام تقنية التلقيم الاستباقي لانموذج الشبكات العصبية ولكنه من المعلوم أن أنموذج الشبكات العصبية يستغلق على الأفهام ، ويتم استخدامه كصندوق أسود لا تعرف خباياه . والطريقة الجديدة تعتمد استخدام نوع آخر من طرق الذكاء الاطناعي وهي طريقة استقراء شجرة القرارات كوسيلة للتنبؤ بماهية وجوه الطبقات من واقع سجلات البئر . لقد تم تقييم هذه الطريقة على سبع دراسات تجريبية لآبار نفطية في المملكة العربية السعودية . ولقد تم التعرف على مجموعة من الخصائص شكلت في مجموعات أداة لتشخيص وجوه الطبقات . هذا وقد تم استخدام الحزمة البرمجية C4.5 لبناء وتجريب أنموذج استقراء شجرة القرارات . لقد حققنا نتائج مرضية (87% كمعدل للدقة) مقارنة بتحليل العينات الصخرية ، كما أننا أثبتنا صحة شمولية أنموذج شجرة القرارات بإجراء عشرة اختبارات مختلفة . وتكمن أهمية نتائج هذه الطريقة للجيولوجيين ومهندسي البترول بأنها فاقت في دقتها جميع الطرق التقليدية المعروفة ذات الصلة . كما تم مناقشة الآلية اليت حققت بها هذه الطريقة أهدافها . وقد أوضحنا مدى اعماديتها وكفاءتها وكيف أنها أكثر اقتصادية من الطرق التقليدية .