tsta

Home / دومین کنفرانس ملی عصر انفجار تکنولوژی؛ هوش مصنوعی، تحولی در صنعت، تجارت و زنجیره تامین و دومین کنفرانس ملی علم داده در کاربردهای مهندسی

مروری بر روش‌های شناسایی و تشخیص غیرمستقیم لیتولوژی سازند با تاکید بر روش‌های هوش مصنوعی

Authors :

نگین فروزان¹ خالد معروفی² سید شهاب طباطبایی‌مرادی³

1- دانشگاه صنعتی سهند 2- دانشگاه صنعتی سهند 3- دانشگاه صنعتی سهند

Keywords :

کنده‌های حفاری،مغزه‌گیری،هوش مصنوعی،نمودارهای چاه

Abstract :

فرایند شناسایی لیتولوژی سازندهای زیرسطحی نقش مهمی در اکتشاف و توسعه مخازن دارد. روش‌های مستقیم مانند مغزه‌گیری و بررسی خرده‌های حفاری به دلیل دقت بالا مورد توجه قرار گرفته‌اند، اما هزینه‌بر و زمان‌بر هستند. به‌منظور افزایش کارایی و کاهش هزینه‌ها، روش‌های غیرمستقیم مانند نمودارهای چاه‌پیمایی به کار گرفته می‌شوند که اطلاعات ارزشمندی درباره تخلخل، نفوذپذیری و اشباع سیالات ارائه می‌دهند. این روش‌ها امکان ارزیابی سریع‌تر و مقرون‌به‌صرفه‌تر سازندها را فراهم کرده و به مهندسان کمک می‌کنند تا تصمیم‌گیری‌های بهتری در رابطه با توسعه مخازن اتخاذ کنند. در سال‌های اخیر، تکنولوژی‌های نوین مبتنی بر هوش مصنوعی، از جمله الگوریتم‌های یادگیری ماشین، تحول چشمگیری در این حوزه ایجاد کرده‌اند. این الگوریتم‌ها، شامل شبکه‌های عصبی مصنوعی، درخت‌های تصمیم‌گیری و روش‌های خوشه‌بندی، توانایی شناسایی الگوهای پیچیده در داده‌های پتروفیزیکی را دارند. استفاده از این تکنیک‌ها موجب افزایش دقت و سرعت پردازش داده‌ها شده و امکان پیش‌بینی دقیق‌تری از ترکیب لیتولوژیکی سازند را فراهم آورده است. علاوه بر این، پردازش تصویر و بینایی کامپیوتری نیز در تحلیل مغزه‌های حفاری و بررسی دقیق‌تر بافت‌های سنگی و ویژگی‌های فسیلی مورد استفاده قرار گرفته است. ترکیب روش‌های سنتی با فناوری‌های هوش مصنوعی، به بهینه‌سازی فرآیند شناسایی لیتولوژی کمک کرده و موجب بهبود دقت، سرعت و کارایی این فرآیند شده است. از دیگر مزایای بهره‌گیری از این فناوری‌ها، کاهش عدم قطعیت در تفسیر داده‌های زمین‌شناسی و افزایش قابلیت پیش‌بینی رفتار مخازن است. با توسعه‌ی بیشتر الگوریتم‌های پیشرفته و یادگیری عمیق، انتظار می‌رود که این فناوری‌ها نقش مؤثرتری در بهبود بهره‌برداری از مخازن نفت و گاز ایفا کنند و تصمیم‌گیری‌های مهندسی را بیش از پیش بهینه‌سازی نمایند.