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

● واژگان:
▪ شکاف:
هرگونه شکست یا جداشدگی در سنگ را گویند که در نتیجه ی عواملی چون فشار سیال، تنش‌های لایه‌ای، تنش‌های 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 آن‌ها همواره محل چالش مهندسین نفت بوده است. وجود انبوهی از شبکه شکاف‌ها در این گونه مخازن نقش بسزایی در هدایت سیالات نفتی به سمت چاه‌ها و نیز گاها ممانعت در امر تولید ایفا می نماید که خود سبب بروز فرضیات و سناریوهای متعدد برای تولید بهینه‌ی اقتصادی از این مخازن می‌گردد. در عین حال دشواری‌های فراوانی برای شناخت مخازن شکافدار طبیعی وجود دارد.
باید توجه کرد که کسب اطلاعات از خصوصیات گوناگون سنگ و شکاف در این‌گونه مخازن محدود به یک ابزار خاص نیست و نمی‌توان با بهره مندی از یک فن آوری مشخص، به تمام ابعاد و پیچیدگی‌های آنان پی برد. در واقع وسایل و ابزارآلات اندازه گیری خصوصیات در این مخازن دامنه (scale) وسیعی را دربر می‌گیرند. برای نمونه از خروجی‌های لرزه نگاری (seismic) برای شناسایی شکست‌های عمده (major faults) با ابعاد کیلومتری در مخزن می توان استفاده کرد و در همین حال آزمایشات گوناگون بر روی مغزه (core) امکان بازشناسی ترک‌های 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. روش‌های مختلف مدل‌سازی مخازن استفاده هوشمند و تعیین رابطه‌ی میان اطلاعات اخذ شذه از مخزن را برعهده دارند.
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 محدودیت‌های 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 آن‌ها 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 شبکه‌های عصبی مصنوعی (ANN) و کاربرد روزافزون آن در مباحث مختلف صنایع بالادستی نفت در سال‌های اخیر، توجه بسیاری از محققان برای بهره گیری از آن‌ها در مدل سازی مخازن شکافدار طبیعی جلب گردیده است. قابلیت استفاده از ورودی‌های متنوع و بعضا متناقض (دقیقا مانند آنچه نتایج آزمایشات مختلف در ابعاد گوناگون در مخازن شکافدار طبیعی بدست می دهند) و در آمیختن هوشمند آن‌ها با استفاده از توابع وزن‌دار و بهینه‌سازی و خاصیت آموزش‌پذیری شبکه و در نهایت محدود نبودن توابع خروجی به مقادیری ریاضی و فرمولیزه، توانایی شبکه‌های عصبی مصنوعی را در مدل سازی دقیق‌تر و منطبق با واقعیات نشان می‌دهد.
● مراحل مشخصه سازی و مدل سازی:
شکل شماره‌ی ۱ به صورت شماتیک مراحل گوناگون جهت تولید یک مدل بهینه و منطبق بر واقعیات از توزیع هندسی تمام شکاف‌ها در فضای مخزن را نشان می دهد:
باید دقت داشت یکی از مهم ترین مراحل مدل سازی، مشخصه سازی خصوصیات و پارامترهای گوناگون شکاف می‌باشد. مشخصه سازی در واقع تولید روابط ریاضی حاکم بر این خصوصیات با استفاده از روش‌های آماری، زمین آماری و شبکه عصبی است. شکل شماره‌ی ۲ مراحل انجام کار را به صورت شماتیک نشان می دهد:
● آنالیز خواص شکاف‌ها با استفاده از هوش مصنوعی:
همانطور که پیشتر گفته شد، روش‌های 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 آن‌ها. در مقابل منطق فازی و شبکه عصبی (FNN) محدودیتی در این خصوص ندارند. مراحل زیر برای مشخصه‌سازی سه بعدی دو پارامتر عمده‌ی میانی (تجمع شکاف‌ها (Fracture Intensity) و اندازه فراکتال (Fractal Dimension)) با استفاده از داده های محدود درون چاه انجام می گیرد:
۱) ابتدا مقادیر دقیق پارامترهای فوق‌الذکر در نقاطی از چاه که مغزه گیری شده است محاسبه می شود.
۲) سپس با در نظر گرفتن نتایج نمودارگیری به عنوان داده‌های ثانوی شبکه‌ای عصبی ساخته می‌شوند 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 لایه‌های مختلف و بهینه سازی اوزان ارتباط دهنده‌ی آن‌ها معرفی شده‌اند. در شکل شماره‌ی ۳ یک شبکه ابتدایی با حداقل لایه‌های ممکن (سه لایه) و با ارتباط همه نقاط یک لایه با لایه بعدی مشاهده می شود:
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 گیری‌ها و اطلاعات در اختیار است که شناسایی و طبقه بندی صحیح آن‌ها پیش از هر چیز لازم است. منطق فازی (Fuzzy Logic) ابزار مناسبی برای انجام این مهم است. رتبه‌بندی ورودی‌ها (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) وسیله‌ایست که جهت مقدار دهی به داده‌های توصیفی و پارامتریزه کردن آن‌ها استفاده می گردد.
در پایان ذکر این نکته ضروریست که بهره گیری از قابلیت‌های شبکه‌های عصبی مصنوعی و دیگر متعلقات هوش مصنوعی منوط به داشتن اطلاعات، داده‌ها و نتایج گسترده و وسیعی است، چرا که آموزش پذیری یک شبکه عصبی با افزایش تعداد مجموعه‌های ورودی-خروجی بهتر و علمی تر می گردد. همچنین اختصاص حجم مشخصی از این داده‌ها 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 موقعیت‌یابی چاه‌های حفاری، روش‌های 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 گیری‌هایی چنین است.‌
لذا بهره گیری حداکثری از فن آوری‌های موجود در مطالعه و ارزیابی ابتدایی مخزن، از قبیل مطالعات گسترده ی زمین شناسی، لرزه نگاری‌های میدانی، حفر چاه‌های اکتشافی و راندن ابزار نمودارگیری و مغزه گیری در آن‌ها، عامل افزایش کارکرد هوش مصنوعی در شبیه سازی ایستا و پویا از مخزن شکافدار خواهد بود.

تدوین:
مهندس سید محمد وزیری ـ دانشجوی کارشناسی ارشد مخازن هیدروکربوری- دانشگاه صنعتی شریف ـ خبرنگار نفت سرویس مسایل راهبردی دفتر مطالعات خبرگزاری دانشجویان ایران(ISNA)

منبع : خبرگزاری ایسنا