• شنبه / ۷ دی ۱۳۸۷ / ۰۷:۱۵
  • دسته‌بندی: دولت
  • کد خبر: 8710-12182.84460

مفاهيم مهندسي نفت/‌21 آشنايي با هوش مصنوعي درمشخصه سازي و مدل سازي مخازن شکافدار طبيعي

مفاهيم مهندسي نفت/‌21
آشنايي با هوش مصنوعي درمشخصه سازي و مدل سازي مخازن شکافدار طبيعي

اشاره:
آن‌چه كه در پي مي‌آيد، ويرايش نخست اولين بخش از مقاله‌ي « آشنايي با بهره‌گيري از هوش مصنوعي در مشخصه‌سازي و مدل‌سازي مخازن شكافدار طبيعي » از مجموعه‌ي متون آموزشي مفاهيم مهندسي نفت، ويژه‌ي خبرنگاران سياستي و سياست‌پژوهان بخش بالادستي نفت و اقتصاد انرژي است كه در سرويس مسائل راهبردي دفتر مطالعات خبرگزاري دانشجويان ايران، تدوين شده است.
از آن جا كه بيشتر مخازن كشور از نوع شكافدار هستند استفاده از بهترين روش در شناخت اين مخازن اهميت بسيار زيادي دارد يكي از بهترين روش‌ها در شناخت اين‌گونه مخازن و تخمين پارامترهاي آن، بهره‌گيري از روش هوش مصنوعي است كه در اين مقاله سعي شده به آشنايي با اين روش ونحوه‌ي بكارگيري آن بپردازد.  
اين مقاله سعي مي‌كند ضمن آشنايي خوانندگان با اين روش، به توضيح كاربرد اين روش و چگونگي استفاده از آن بپردازد.
توصيه مي‌شود خوانندگان گرامي قبل از مطالعه اين مقاله، مقاله‌ي شماره ‌13 از مجموعه مقالات آشنايي با مفاهيم مهندسي نفت را مطالعه كنند.
در صورت عدم مشاهده‌ي تصاوير در ميان متن، با مراجعه به انتهاي پيام، تصاوير پيوست را ذخيره و مشاهده كنيد.
خواننده با مطالعه‌ي اين مقاله و مقالات پيشين مفاهيم مهندسي نفت تا حدودي مي‌تواند درك كند كه در مراحل مختلف مديريت يك مخزن به چه فناوري‌ها و دانش‌هايي نياز است. در واقع مجموعه‌ي اين مقالات با ادبياتي غيرفني مفاهيمي فني را براي خواننده توضيح مي‌دهند كه با استفاده از آن تا حدودي مي‌توان به ارزيابي عملكرد مديريت مخزن پرداخت. پديد آمدن اين امكان براي خبرنگار يا سياست‌پژوه، توانايي ارزيابي و پرسش‌گري بالاتر و دقيق‌تري را در بررسي كلي سياست‌ها و ظرفيت‌هاي شركت‌هاي نفتي ايجاد مي‌كند.
سرويس مسائل راهبردي ايران rahbord.isna@gmail.com آمادگي بررسي دقيق‌تر نياز‌هاي خبرنگاران و سياست‌ پژوهان محترم و انعكاس ديدگاه‌هاي كارشناسان و متخصصان گرامي مهندسي نفت را درباره‌ي مجموعه‌ي اين مقالات دارد.

بهره گيري از هوش مصنوعي درمشخصه سازي و مدل سازي مخازن شکافدار طبيعي

واژگان:

شکاف:
هرگونه شکست يا جداشدگي در سنگ را گويند که در نتيجه ي عواملي چون فشار سيال، تنش‌هاي لايه‌اي، تنش‌هاي تکتونيکي و غيره حاصل شود.

مخازن شکافدار طبيعي :
آن دسته از مخازني را گويند که وجود شکاف در آنها نقش عمده اي (مثبت و يا منفي) در توليد سيال نفتي ايفا نمايد.

شبکه عصبي مصنوعي:
شبکه ايست ملهم از سيستم عصبي انسان جهت پردازش اطلاعات، با بهره گيري ازحداقل سه لايه (ورودي، پنهان و خروجي) از نقاط (nodes) و اوزان ارتباط دهنده آنان (nerves) .

لزوم مطالعه و مدل سازي مخازن شکافدار طبيعي:

مخازن شکافدار طبيعي از پيچيده ترين ساختارهاي زمين شناسي در علم مهندسي نفت و در عين حال از عمده ترين منابع توليد هيدروکربن در سراسر جهان و بالاخص کشورمان به حساب مي آيند، لذا مشخصه سازي و مدل سازي آن‌ها همواره محل چالش مهندسين نفت بوده است. وجود انبوهي از شبکه شکاف‌ها در اين گونه مخازن نقش بسزايي در هدايت سيالات نفتي به سمت چاه‌ها و نيز گاها ممانعت در امر توليد ايفا مي نمايد که خود سبب بروز فرضيات و سناريوهاي متعدد براي توليد بهينه‌ي اقتصادي از اين مخازن مي‌گردد. در عين حال دشواري‌هاي فراواني براي شناخت مخازن شکافدار طبيعي وجود دارد. 
بايد توجه كرد كه كسب اطلاعات از خصوصيات گوناگون سنگ و شکاف در اين‌گونه مخازن محدود به يك ابزار خاص نيست و نمي‌توان با بهره مندي از يك فن آوري مشخص، به تمام ابعاد و پيچيدگي‌هاي آنان پي برد. در واقع وسايل و ابزارآلات اندازه گيري خصوصيات در اين مخازن دامنه (scale) وسيعي را دربر مي‌گيرند. براي نمونه از خروجي‌هاي لرزه نگاري (seismic) براي شناسايي شکست‌هاي عمده (major faults) با ابعاد کيلومتري در مخزن مي توان استفاده کرد و در همين حال آزمايشات گوناگون بر روي مغزه (core) امکان بازشناسي ترک‌هاي بسيار کوچک در ابعاد ميليمتري را مهيا مي سازد.

بنابر اين جامعيت عملکرد مشخصه سازي در اين مخازن منوط به استفاده هوشمند و صحيح از اطلاعات بسيار متنوع موجود و در عين حال يافتن ارتباط (correlation) ميان چنين اطلاعاتي است. روش‌هاي مختلف مدل‌سازي مخازن استفاده هوشمند و تعيين رابطه‌ي ميان اطلاعات اخذ شذه از مخزن را برعهده دارند.
امروزه عمده روش هاي موجود براي مدل سازي مخازن شکافدار طبيعي استفاده از مفاهيم زمين آماري و مدل سازي فضايي خصوصيات مختلف سنگ و شکاف با بهره گيري از علم آمار مي باشد، اما محدوديت‌هاي موجود در برآورد ارتباط (correlation) ميان خصوصيات مختلف شکاف (از قبيل اندازه (size) ، شيب (orientation) ، دهانه (aperture) و ...) در علم زمين آمار، امکان استفاده ي حداکثر دو پارامتر و جستجوي ارتباط بين آن‌ها را به مهندس نفت مي دهد که خود عامل پيدا کاستي در مدل و سطحي بودن نتايج است.

کاربرد هوش مصنوعي:

با ظهور مفاهيم هوش مصنوعي (AI) و بالاخص شبکه‌هاي عصبي مصنوعي (ANN) و کاربرد روزافزون آن در مباحث مختلف صنايع بالادستي نفت در سال‌هاي اخير، توجه بسياري از محققان براي بهره گيري از آن‌ها در مدل سازي مخازن شکافدار طبيعي جلب گرديده است. قابليت استفاده از ورودي‌هاي متنوع و بعضا متناقض (دقيقا مانند آنچه نتايج آزمايشات مختلف در ابعاد گوناگون در مخازن شکافدار طبيعي بدست مي دهند) و در آميختن هوشمند آن‌ها با استفاده از توابع وزن‌دار و بهينه‌سازي و خاصيت آموزش‌پذيري شبکه و در نهايت محدود نبودن توابع خروجي به مقاديري رياضي و فرموليزه، توانايي شبکه‌هاي عصبي مصنوعي را در مدل سازي دقيق‌تر و منطبق با واقعيات نشان مي‌دهد.

مراحل مشخصه سازي و مدل سازي:
شکل شماره‌ي 1 به صورت شماتيک مراحل گوناگون جهت توليد يک مدل بهينه و منطبق بر واقعيات از توزيع هندسي تمام شکاف‌ها در فضاي مخزن را نشان مي دهد:

 

بايد دقت داشت يکي از مهم ترين مراحل مدل سازي، مشخصه سازي خصوصيات و پارامترهاي گوناگون شکاف مي‌باشد. مشخصه سازي در واقع توليد روابط رياضي حاکم بر اين خصوصيات با استفاده از روش‌هاي آماري، زمين آماري و شبکه عصبي است. شکل شماره‌ي 2 مراحل انجام کار را به صورت شماتيک نشان مي دهد:

 

آناليز خواص شکاف‌ها با استفاده از هوش مصنوعي:
همانطور که پيشتر گفته شد، روش‌هاي آماري و زمين آماري تنها قادرند دو پارامتر را به طور همزمان آناليز کنند (با بهره گيري ازحداقل مربعات خطا، کريجينگ و واريوگرام) و آن هم به شرط يکنواختي توزيع آن‌ها. در مقابل منطق فازي و شبکه عصبي (FNN) محدوديتي در اين خصوص ندارند. مراحل زير براي مشخصه‌سازي سه بعدي دو پارامتر عمده‌ي مياني (تجمع شکاف‌ها (Fracture Intensity) و اندازه فراکتال (Fractal Dimension)) با استفاده از داده هاي محدود درون چاه انجام مي گيرد:
1. ابتدا مقادير دقيق پارامترهاي فوق‌الذکر در نقاطي از چاه که مغزه گيري شده است محاسبه مي شود.
2. سپس با در نظر گرفتن نتايج نمودارگيري به عنوان داده‌هاي ثانوي شبکه‌اي عصبي ساخته مي‌شوند و يک توزيع دو بعدي از اين پارامترها در طول چاه به دست مي آيد.
3. در مرحله پاياني براي حاصل شدن يک توزيع سه بعدي از اين دو پارامتر، اطلاعات لرزه نگاري و ديگر نتايج با ابعاد ميداني به عنوان داده هاي ثالثيه به يک شبکه عصبي جديد داده مي شود.

اما ترکيب بندي هر شبکه عصبي از اجزاي ثابتي تشکيل مي شود:
حداقل سه لايه (ورودي، پنهان و خروجي) از نقاط (nodes) و اوزان ارتباط دهنده آنان (nerves).

 هدف از پروسه يادگيري در هر شبکه عصبي عبارتست از تغيير مداوم ضرايب وزن دار (Weighting Factors) جهت مينيمم سازي خطا در اطلاعات خروجي. تا کنون انواع گوناگوني از شبکه هاي عصبي بر اساس نحوه تعامل لايه‌هاي مختلف و بهينه سازي اوزان ارتباط دهنده‌ي آن‌ها معرفي شده‌اند. در شکل شماره‌ي 3 يک شبکه ابتدايي با حداقل لايه‌هاي ممکن (سه لايه) و با ارتباط همه نقاط يک لايه با لايه بعدي مشاهده مي شود:

نکته قابل توجه براي قابل اتکا بودن يک شبکه عصبي، لزوم وجود ارتباط ميان داده هاي ورودي و مقادير خروجي است. معمولا در ابتدا انبوهي از اندازه گيري‌ها و اطلاعات در اختيار است که شناسايي و طبقه بندي صحيح آن‌ها پيش از هر چيز لازم است. منطق فازي (Fuzzy Logic) ابزار مناسبي براي انجام اين مهم است. رتبه‌بندي ورودي‌ها (Input Ranking) پس از آموزش ديدن شبکه اعمال مي شود تا آن دسته از اطلاعات که ارتباط ناچيزي با خروجي دارند و يا به طور کل سبب انحراف شبکه مي شوند حذف گردند. طبقه بندي داده ها (Data Classification) وسيله‌ايست که جهت مقدار دهي به داده‌هاي توصيفي و پارامتريزه کردن آن‌ها استفاده مي گردد.
در پايان ذکر اين نکته ضروريست که بهره گيري از قابليت‌هاي شبکه‌هاي عصبي مصنوعي و ديگر متعلقات هوش مصنوعي منوط به داشتن اطلاعات، داده‌ها و نتايج گسترده و وسيعي است، چرا که آموزش پذيري يک شبکه عصبي با افزايش تعداد مجموعه‌هاي ورودي-خروجي بهتر و علمي تر مي گردد. همچنين اختصاص حجم مشخصي از اين داده‌ها براي تاييد اعتبار (Validation) شبکه عصبي آموزش ديده شده (معمولا 20 درصد) ممکن است سبب کاهش قابل توجه دقت و صحت کارکرد خود شبکه شود. در حالي که هدف، دستيابي به کارآمدترين سناريو براي موقعيت‌يابي چاه‌هاي حفاري، روش‌هاي توليد از مخزن، به کار گيري راهکارهاي توسعه و صيانت از مخزن، و همچنين مطالعه ي فرآيندهاي ازدياد برداشت، در اولين گام هاي حيات مخزن مي باشد، نبود اطلاعات کافي در اين مقطع خود عامل منحرف کننده براي تصميم گيري‌هايي چنين است.‌
لذا بهره گيري حداکثري از فن آوري‌هاي موجود در مطالعه و ارزيابي ابتدايي مخزن، از قبيل مطالعات گسترده ي زمين شناسي، لرزه نگاري‌هاي ميداني، حفر چاه‌هاي اکتشافي و راندن ابزار نمودارگيري و مغزه گيري در آن‌ها، عامل افزايش کارکرد هوش مصنوعي در شبيه سازي ايستا و پويا از مخزن شکافدار خواهد بود.

تدوين : مهندس سيد محمد وزيري
دانشجوي کارشناسي ارشد مخازن هيدروكربوري- دانشگاه صنعتي شريف
خبرنگار نفت سرويس مسايل راهبردي دفتر مطالعات خبرگزاري دانشجويان ايران(ISNA)

  • در زمینه انتشار نظرات مخاطبان رعایت چند مورد ضروری است:
  • -لطفا نظرات خود را با حروف فارسی تایپ کنید.
  • -«ایسنا» مجاز به ویرایش ادبی نظرات مخاطبان است.
  • - ایسنا از انتشار نظراتی که حاوی مطالب کذب، توهین یا بی‌احترامی به اشخاص، قومیت‌ها، عقاید دیگران، موارد مغایر با قوانین کشور و آموزه‌های دین مبین اسلام باشد معذور است.
  • - نظرات پس از تأیید مدیر بخش مربوطه منتشر می‌شود.

نظرات

شما در حال پاسخ به نظر «» هستید.
لطفا عدد مقابل را در جعبه متن وارد کنید
captcha