به استحضار می رساند جلسه دفاع از پایان نامه کارشناسی ارشد خانم مهندس زهرا پورعسکرپرست در رشته مهندسی نفت با عنوان "توسعه سیستم هوشمند جهت مشخصه سازی کمی پارامتر بازشدگی شکاف" در روز شنبه مورخ 23 تیرماه از ساعت 10 الی 12 در کلاس 601 برگزار می گردد. اساتید راهنمای این پایان نامه آقای دکتر حامد آقایی و آقای دکتر میثم محمدزاده شیرازی و اساتید مشاور آقای دکتر مجتبی قائدی و آقای انریکو ماسوئرو می باشند. چکیده این پایان نامه به شرح زیر است:
حدود 85 درصد از ذخایر نفتی و 90 درصد از ذخایر گازی ایران و همچنین حدود 49 درصد از ذخایر نفتی و 55 درصد از ذخایر گازی جهان در سنگهای کربناته وجود دارند. در ایران بیشتر ذخایر کربناته از نوع مخازن کربناته شکافدار هستند و شکستگیها در این نوع مخازن نقش اساسی در تراوایی مخزن و تولید منابع هیدروکربنی ایفا میکنند فلذا همین امر اهمیت دقت مطالعات شکستگی و نیاز به مدلسازی های دقیقتر را افزایش میدهد. یکی از منابع عدم قطعیت در مدلسازی های شبکه شکستگی در مخازن شکافدار، مقادیر بازشدگی شکستگیها در قسمت های مختلف مخزن بوده است که دستیابی به مقادیر آن به خصوص در شرایط درجا به علت عدم دسترسی به تمام نقاط سازند یکی از مشکالت اساسی در این زمینه به شمار میرود. در این پژوهش با هدف پیش بینی دقیقتر مقادیر بازشدگی شکاف به کمک سایر پارامترهای ژئومتریک و پتروفیزیکی تأ ثیرگذار بر میزان بازشدگیهای زیرزمینی با بهره گیری از الگوریتم های یادگیری ماشین کوشش شد تا پیشنهادات تازهای در زمینه تعیین مقادیر کمی بازشدگی شکاف براساس دو نوع داده جمع آوری شده از مغزه و داده های درون چاهی ارائه شود. جهت انجام این مهم سه میدان نفتی و گازی بنام های K با دو چاه مطالعه ای و Q وB هرکدام با یک چاه مطالعه ای از مناطق جنوبی ایران انتخاب شدند. داده های بازشدگی میدان K تماماً از طریق الگ های تصویری درون چاهی ب هدست آمد و در کنار پارامترهای به دستآمده از طریق الگ های معمولی قرار گرفت درحالیکه داده های بازشدگی میدانهای B و Q از طریق مطالعات سطح مغزه و سی تی اسکن پالگ ها به دست آمدند و در کنار سایر ویژگیهای فیزیکی شکستگی به دست آمده از مغزه و همچنین برخی الگ های معمولی موجود قرار گرفتند که در این میان مطالعات میدان B تماماً توسط پدید آورندگان این پژوهش جمع آوری شد. پس از انجام پیش پردازشهای الزم بر روی داده های هر سه میدان، داده های میدان K به سه سناریوی مختلف ترکیب لیتولوژی ها با 264 داده ، لیتولوژی سنگ آهک با 163 داده و لیتولوژی دولومیت با 101 داده تقسیم شد تا اثر لیتولوژی بر پیش بینی مقادیر بازشدگی شکاف مورد مطالعه قرار گیرد. همچنین دادههای میدان B با 123 داده و Q با 202 داده به علت اینکه هر کدام در یک لیتولوژی خاص بودند، منحصراً برای همان لیتولوژی مورد ارزیابی قرار گرفتند و سرانجام پیش بینی داده های بازشدگی شکاف با سه الگوریتم یادگیری ماشین رگرسیون بردار پشتیبان (SVR)، شبکه عصبی (NN) و رگرسیون تقویت گرادیان (GB) برای 5 دیتاست تهیه شده از سه میدان مورد مطالعه صورت گرفت. انجام مدلسازی در میدان K که تمامی داده های آن از منشأ الگ بودند بسیار کم چالشتر از مدلسازی های میادین B و Q بود که داده های آنها ترکیبی از مطالعات مغزه و الگ بودند. بهعلت چالش برانگیز بودن مدلسازی در میدان B و Q محدوده خاصی از دادههای بازشدگی که مدلها بهترین نتیجه ممکن را داشتند برای تست انتخاب شدند که در هردوی این میادین این محدوده در حدود کمتر از 1 میلی متر بود و بدین معناست که زمانی که دیتاست دارای منشأ دادههای متفاوت است، ب هطور کلی دلها در محدوده بازشدگی کمتر بهتر عمل میکنند.
الگوریتم GB برای تمامی دیتاست های موجود برای همه میادین با شاخص 2R بیش از 95 درصد بهخوبی توانست پیش بینی بازشدگی شکاف را در درون چاه و روی مغزه انجام دهد و بهترین نتیجه آن هم مربوط به لیتولوژی سنگ آهک در میدان K با شاخص 2R برابر با 99 درصد و مقدار میانگین تفاوت بین مقادیر پیش بینی شده و واقعی بازشدگی برابر با 0/043 میلی متر بود که الگ DT بیشترین ایفای نقش مؤثر را در این پیش بینی داشت. تعداد کمتر دادهها در میدان B و بازه وسیعتر دادههای بازشدگی در این میدان نسبت به میدان Q با وجود اینکه هر دو از مطالعات مغزه بودند، باعث شد تا نتایج مدلسازی میدان B بهطور کلی ضعیفتر از میدان Q باشد . همچنین بهجهت ارزیابی بهتر نتایج و بررسی تعمیم پذیری مدلسازی ها بهکل میدان، پیشنهاد شد تا در مطالعات آینده بهجای ترکیب دو چاه از میدان K و ساخت یک دیتاست یکپارچه، یکی از چاهها به عنوان داده آموزش و دیگری تست استفاده شود.
بدین وسیله از کلیه علاقه مندان جهت شرکت در جلسه دعوت بعمل می آید.
