انتشار مقاله علمی و کاربردی پژوهشگر شرکت ملی حفاری ایران در نشریه معتبر بین‌المللی Scientific Reports

پژوهش علمی و کاربردی حسن باقری، پژوهشگر شرکت ملی حفاری ایران، با بهره‌گیری از الگوریتم‌های پیشرفته یادگیری ماشین و با هدف افزایش دقت ارزیابی مخازن ناهمگن، در نشریه معتبر بین‌المللی Scientific Reports منتشر شد؛ پژوهشی که می‌تواند به کاهش عدم‌قطعیت در محاسبات پتروفیزیکی و بهبود ارزیابی ذخایر هیدروکربنی کمک کند.

به گزارش میز انرژی به نقل از روابط عمومی شرکت ملی حفاری ایران، حسن باقری روز پنجشنبه (۲۶ شهریور ۱۴۰۵) در این ارتباط توضیح داد: این مقاله تحت عنوان «رویکرد یادگیری ماشین تجمیعی برای پیش‌بینی ضریب سیمان ‌شدگی (m) با استفاده از نمودارهای چاه در مخازن ناهمگن» (Ensemble Machine Learning Approach for Prediction of Cementation Factor (m) Using Well Logs in Heterogeneous Reservoirs) در نشریه بین‌المللی Scientific Reports منتشر شده است.

وی که تاکنون بیش از ۳۰ مقاله علمی در سطح ملی و بین‌المللی منتشر کرده و در سال ۱۴۰۲ به‌ عنوان پژوهشگر برتر شرکت ملی حفاری ایران و پژوهشگر برتر دستگاه ‌های اجرایی استان خوزستان معرفی شد، با بیان اینکه ضریب سیمان ‌شدگی (m) یکی از پارامترهای کلیدی معادله آرچی در محاسبه اشباع آب مخزن است، افزود: تعیین دقیق این پارامتر نقش مهمی در برآورد اشباع هیدروکربن، شناسایی لایه‌های تولیدی و ارزیابی ذخایر مخزن دارد؛ با این حال، تعیین مستقیم آن به طور عمده متکی بر آزمایش‌های الکتریکی نمونه‌های مغزه است و به دلیل محدودیت داده‌های مغزه، به روال معمول امکان تعیین پیوسته آن در سراسر بازه مخزنی وجود ندارد.

خبر مرتبط

بخشنامه منتسب به شرکت ملی گاز از واریز پاداش در ۲۰ آبان خبر می‌دهد

متنی منتسب به شرکت ملی گاز ایران، از پرداخت پاداش به کارکنان و افراد تحت تکفل آنان در...

باقری اظهار کرد: این مساله در مخازن ناهمگن با سنگ‌ شناسی مختلط کربناته ـ ماسه‌ سنگی پیچیدگی بیشتری دارد؛ زیرا تغییرات سنگ‌ شناسی، هندسه و پیوستگی شبکه حفرات، شکستگی‌ها و فرآیندهای دیاژنزی می‌تواند موجب تغییر قابل ‌توجه ضریب سیمان‌شدگی شود از این‌ رو، فرض یک مقدار ثابت برای این پارامتر در چنین مخازنی می‌تواند عدم‌ قطعیت محاسبات اشباع آب و در نتیجه ارزیابی پتروفیزیکی مخزن را افزایش دهد.

این پژوهشگر برتر شرکت گفت: در این پژوهش با تلفیق داده‌های نمودارگیری چاه، نتایج آزمایشگاهی مغزه و الگوریتم‌های پیشرفته یادگیری ماشین، چارچوبی هوشمند برای تخمین پیوسته ضریب سیمان‌شدگی توسعه داده شد. یکی از نقاط قوت این مطالعه استفاده از آزمون کور (Blind Test) و اعتبار سنجی مستقل بود؛ به‌گونه‌ای که مدل‌ها با داده‌های یک چاه توسعه یافتند و سپس بدون استفاده از اطلاعات مغزه چاه دوم، عملکرد آنها در این چاه ارزیابی شد. در مرحله نهایی نیز با استفاده از روش Ensemble Machine Learning، خروجی الگوریتم‌های دارای عملکرد برتر تلفیق شد تا پایداری و قابلیت تعمیم پیش‌بینی‌ها افزایش یابد.

وی افزود: هوش مصنوعی زمانی می‌تواند در صنعت نفت بیشترین اثربخشی را داشته باشد که در کنار دانش مهندسی و اصول فیزیکی حاکم بر مخزن به کار گرفته شود. استفاده هدفمند از این فناوری می‌تواند با تحلیل یکپارچه داده ‌های اکتشافی، حفاری، نمودارگیری و مخزنی، به کاهش عدم‌ قطعیت و ارتقای کیفیت تصمیم‌گیری‌های مهندسی کمک کند.

باقری با اشاره به همکاری آقایان دکتر علی مراد زاده و دکتر رضا محبیان از دانشگاه تهران و دکتر مصیب کمری از متخصصان شرکت ملی مناطق نفت‌خیز جنوب در تهیه این مقاله، اظهار کرد: توسعه همکاری میان دانشگاه و بخش‌های عملیاتی صنعت نفت می‌تواند زمینه تبدیل مسائل واقعی صنعت به پژوهش‌های کاربردی و راهکارهای فناورانه در حوزه‌های اکتشاف، حفاری، پترو فیزیک ، مهندسی مخزن و بهره‌ برداری را فراهم کند.