تجسم جغرافیایی برای استخراج قانون انجمن در داده‌های چاه نفت و گاز

خلاصه

استخراج قوانین انجمن بر روی داده های نفت و گاز اخیراً با موفقیت برای کمک به درک مخازن استفاده شده است. بنابراین، تجسم و درک قوانین ارتباط کشف شده بر اساس مکان چاه و پیش‌بینی‌های بعدی بر اساس حوزه‌های کاربردی قوانین مهم است. در این مقاله، دو روش تجسم – تجسم زمین مبتنی بر نقطه و سطح – برای قوانین ارتباط از داده‌های چاه نفت و گاز پیشنهاد شده‌است. روش مبتنی بر نقطه نشان دهنده قواعد تداعی بر اساس مکان چاه است، و روش مبتنی بر سطح مناطق بالقوه قابل اجرا را از طریق درونیابی و تجسم فضایی نشان می دهد. یک مطالعه موردی بر روی مجموعه داده‌های چاه نفت سرد واقعی در غرب آلبرتا، کانادا انجام شده است، و نتایج امکان‌سنجی روش‌های ژئوویژوال‌سازی پیشنهادی را نشان می‌دهد.

کلید واژه ها:

ژئوتصویرسازی ; داده های نفت و گاز ؛ انجمن قانون معدن ; داده کاوی برای نفت و گاز

1. معرفی

اخیراً روش‌های مختلف داده‌کاوی با موفقیت برای کمک به درک مخازن و افزایش بازیابی نفت مورد استفاده قرار گرفته‌اند [ 1 ، 2 ، 3 ، 4 ]. قواعد کاوی یکی از محبوب‌ترین روش‌های داده‌کاوی است و برای اولین بار برای استخراج همبستگی‌های جالب، الگوهای مکرر، تداعی‌ها یا ساختارهای تصادفی در میان مجموعه‌های آیتم‌ها از داده‌های تراکنش یا دیگر مخازن داده پیشنهاد شد [5 ] . استخراج قوانین انجمن در داده های چاه نفت و گاز یک رویکرد بسیار امیدوارکننده برای درک و بهبود بازیافت نفت است.

داده‌های چاه نفت و گاز عموماً شامل مکان‌های چاه و سایر ویژگی‌های غیرمکانی، مانند پارامترهای ویژگی مخزن (به عنوان مثال، حجم منافذ، تخلخل، نفوذپذیری) و پارامترهای عملکرد تولید (به عنوان مثال، مقدار پیک و بازده مؤثر) است [3 ] . پس از تبدیل مقادیر پارامترهای غیرمکانی به مجموعه‌ای از زیرمحدوده‌ها، الگوریتم‌های استخراج قانون انجمن مانند Apriori [ 6 ] را می‌توان برای داده‌های گسسته اعمال کرد. روابط کمی بین خواص مخزن موثر بر بازیافت نفت و عملکرد تولید نفت را می توان کشف کرد [ 3 ]. با این حال، هنوز چالش هایی در درک و شناسایی قوانین مرتبط جالب از داده های چاه نفت و گاز وجود دارد.

قوانین ارتباطی کشف شده از داده‌های چاه‌های نفت و گاز غیرمکانی فقط شامل الگوهای بین ویژگی‌های مخزن و عملکرد تولید نفت می‌شود. با این حال، داده‌های چاه‌های نفت و گاز دارای ویژگی‌های مکانی، یعنی مکان چاه‌ها نیز هستند. جالب بودن قوانین فقط به الگوهای گنجانده شده بستگی ندارد، بلکه به مکان و توزیع چاه هایی که قوانین مطابقت دارند نیز متکی است. بنابراین، قوانین باید با مکان چاه ها مرتبط شوند. با این حال، روش‌های تجسم موجود برای قوانین تداعی کوتاهی می‌کنند: اکثر روش‌ها، مانند نمودارهای پراکنده، تجسم‌های ماتریسی، نمودارها، نمودارهای موزاییکی و نمودارهای مختصات موازی [ 7 ، 8 ، 9 ، 10 ، 11 ،12 ، 13 ]، برای کمک به شناسایی قوانین ارتباط جالب کشف شده از مجموعه داده‌های غیرمکانی طراحی شده‌اند و بنابراین تمرکز بیشتری بر روی تجسم ویژگی‌های محتوای قانون دارند.

Geovisualization به طور کلی به فهرستی از ابزارها و تکنیک های پشتیبانی از تجزیه و تحلیل داده های جغرافیایی، یکپارچه سازی نقشه برداری، سیستم اطلاعات جغرافیایی (GIS) و تجسم علمی اشاره دارد [ 14 ]. تجسم جغرافیایی صرفاً شامل نمایش منبع یا مجموعه داده‌های جغرافیایی خام از طریق یک رابط در دسترس و تعاملی (مثلاً نقشه) با تکنیک‌های نمایش ساده (مانند نمادها، رنگ‌ها) نیست، بلکه به کاربران در یادگیری روندها و الگوهای جدید جغرافیایی که در پشت آن پنهان شده‌اند کمک می‌کند. مجموعه داده بنابراین، تجسم زمین می تواند به ارتباط اطلاعات مکانی چاه ها با قوانین جالب در داده های چاه نفت و گاز کمک کند.

علاوه بر ارتباط محل چاه با قوانین انجمن، ساخت و تجسم یک قانون انجمن با توجه به مناطق قابل اجرا نیز قابل تحقیق است. حوزه های قابل اجرا قوانین، یعنی سطوح پیوسته ای که قانون ممکن است مرتبط باشد، برای مهندسان مخزن نیز بسیار ارزشمند است. با این حال، سطوح پیوسته را نمی‌توان مستقیماً ساخت، زیرا مکان‌های چاه آرایه‌ای نامنظم از نقاط گسسته هستند. تجسم جغرافیایی قوانین ارتباط در داده‌های چاه نفت و گاز باید با تکنیک‌های فضایی‌سازی مناسب ترکیب شود که بتواند داده‌ها را بین چاه‌ها پر کند.

درونیابی فضایی فرآیند استفاده از نقاط با مقادیر شناخته شده برای تخمین مقادیر در نقاط دیگر است [ 15 ]. از طریق درونیابی فضایی، ارزش یک ویژگی خاص در مکانی بدون مقدار ثبت شده را می توان با استفاده از مقدار شناخته شده مربوط به ویژگی چاه های نمونه نزدیک تخمین زد. اگر وابستگی فضایی در ویژگی های داده های چاه ظاهر شود، درون یابی فضایی می تواند یک تکنیک فضایی سازی مناسب باشد.

در این مقاله، دو روش ژئوتصویرسازی – مبتنی بر نقطه و مبتنی بر سطح – برای قوانین ارتباط در داده‌های چاه نفت و گاز، به منظور درک بهتر چاه‌ها، پیشنهاد شده‌اند. مشارکت های مقاله به شرح زیر خلاصه می شود:

روش تجسم جغرافیایی مبتنی بر نقطه، قوانین ارتباط را با مکان‌های چاه پیوند می‌دهد. این روش از نمادهای مختلفی برای برجسته کردن مکان‌های چاهی که قوانین را برآورده می‌کنند، استفاده می‌کند. مهندسان مخزن می توانند قوانین را بهتر درک کنند و الگوهای توزیع احتمالی چاه ها را با استفاده از مکان های تجسم شده چاه نفت روی نقشه پیدا کنند.

یکی دیگر از روش‌های تجسم، ژئوتصویرسازی مبتنی بر سطح، مناطق روی نقشه را برای قانون جالبی که در آن قانون ممکن است قابل اجرا باشد، می‌سازد و نشان می‌دهد. این روش مبتنی بر درونیابی فضایی و همپوشانی لایه نقشه است. ژئوتصویرسازی مبتنی بر سطح می تواند به کاربران در تصمیم گیری یا پیش بینی بر اساس الگوهای گنجانده شده توسط قوانین جالب کشف شده کمک کند.

نمونه اولیه سیستم برای داده‌های چاه نفت و گاز، به نام سیستم معادن و تجسم جغرافیایی قوانین انجمن (ARM-GEOVIZ)، برای استخراج قوانین انجمن و تجسم قوانین یافت شده در داده‌های نفت و گاز توسعه داده شده است. نمونه اولیه سیستم استخراج قوانین انجمن را با روش‌های تجسم مبتنی بر نقطه و سطح پیشنهادی ادغام می‌کند.

یک مطالعه موردی بر روی مجموعه داده‌های چاه نفت سرد واقعی برای بلوک نفت سنگین لویدمینستر در آلبرتا، کانادا انجام شد. مطالعه موردی امکان سنجی دو روش جدید تجسم جغرافیایی را برای قوانین تداعی تایید کرد.

بقیه این مقاله به شرح زیر سازماندهی شده است: بخش 2 به بررسی قوانین تداعی، تکنیک های تجسم موجود برای قوانین تداعی در داده های غیر مکانی، و تکنیک های درون یابی فضایی رایج می پردازد. بخش 3 روش دقیق تکنیک های تجسم جغرافیایی پیشنهادی را برای قوانین تداعی در داده های چاه نفت و گاز معرفی می کند. دو روش geovisualization و نمونه اولیه سیستم ARM-GEOVIZ از طریق یک مطالعه موردی با مجموعه داده چاه نفت واقعی در بخش 4 نشان داده شده است . بخش 5 نتیجه گیری را ارائه می دهد.

2. کارهای مرتبط

استخراج قوانین انجمن، تکنیک‌های تجسم برای قوانین تداعی و چندین تکنیک درون‌یابی فضایی به طور خلاصه در بخش‌های فرعی زیر بررسی می‌شوند.

2.1. انجمن قانون معدن

استخراج قوانین انجمن برای اولین بار برای تجزیه و تحلیل داده های تراکنش و استخراج قوانین ارتباط [ 5 ] معرفی شد. در تعریف قانون تداعی، D مجموعه همه موارد و X و Y دو زیر مجموعه از D باشند . یک قانون مرتبط با X و Y می تواند به شکل (یا IF { X } THEN { Y }) باشد، که در آن،

X, Y

⊂

D

X \cap Y \neq \emptyset

، و

X, Y \neq \emptyset

. X را مقدم و Y پیامد نامیده می شود.

مفاهیم حمایت و اطمینان در تعریف جالب بودن یک قانون تداعی ضروری است. حمایت قانون به عنوان درصد تراکنش‌هایی که از X و Y تشکیل می‌شوند به تعداد کل تراکنش‌ها تعریف می‌شود، به عنوان مثال،

(X \Rightarrow Y) = P (X \cup Y)

. اعتماد به حکومت

X \Rightarrow Y

درصد تراکنش هایی است که از X و Y به تعداد تراکنش هایی که فقط حاوی X هستند . تعریف به صورت اطمینان احتمال شرطی است

(X \Rightarrow Y) = P (Y | X) = P (X \cup Y) / P (X)

. به طور سنتی، قوانینی که با ارزش‌های حمایت و اطمینان زیاد ارضا می‌شوند، قوی یا جالب در نظر گرفته می‌شوند.

Apriori شناخته شده ترین الگوریتم برای استخراج قوانین مرتبط بر روی پایگاه های داده تراکنشی است [ 6 ]. با شناسایی آیتم‌های فردی مکرر در پایگاه داده پیش می‌رود، و سپس گروه‌هایی از نامزدهای مجموعه آیتم‌های مکرر تولید و در برابر داده‌ها آزمایش می‌شوند. الگوریتم زمانی خاتمه می یابد که مجموعه آیتم های مکرر دیگری پیدا نشود. مجموعه آیتم های مکرر تعیین شده توسط Apriori می تواند برای تعیین قوانین مرتبط استفاده شود.

2.2. روش‌های تجسم سنتی برای قوانین انجمن

چندین تکنیک تجسمی برای استخراج قوانین مرتبط در داده‌های تراکنش یا سایر مجموعه‌های داده غیرمکانی اخیراً به منظور کمک به کاربران در تجزیه و تحلیل قوانین ارتباط کشف‌شده پیشنهاد شده‌اند.

نمودارهای پراکنده قوانین تداعی را به عنوان نقاط پراکنده در سیستم های مختصات دو بعدی یا بالاتر تجسم می کنند. در یک نمودار دو کلیدی، محورهای مختصات x و y مقادیر پشتیبانی و اطمینان قوانین را نشان می‌دهند و رنگ نقاط پراکنده تعداد کل موارد مقدم و متعاقب آن را در قوانین نشان می‌دهد [7 ] .

در یک نمودار مختصات موازی، قوانین ارتباط به صورت خطوط چند ضلعی در یک سیستم مختصات با محورهای x و y مشترک نشان داده می شوند [ 8 ]. آیتم های مقدم و پیامد قوانین برای یک محور مختصات استفاده می شود و محور دیگر برای نشان دادن موقعیت های متناظر آیتم های مقدم و پیامد در قوانین استفاده می شود.

نمودارهای مبتنی بر نمودار قواعد ارتباط را به صورت ارقامی با رئوس و یال ها نشان می دهند [ 9 ، 10 ، 11 ، 12 ]. رئوس برای موارد مقدم و پیامد قوانین استفاده می شود. رابطه اقلام یک قانون ارتباط با لبه های متصل آیتم ها نشان داده می شود.

روش‌های تجسم می‌توانند به یافتن ویژگی‌های محتوای پنهان در پشت قوانین ارتباط کمک کنند. به عنوان مثال، نمودارهای پراکنده می توانند توزیع اندازه گیری های جالب قوانین متعدد را نمایش دهند. نمودارهای مختصات موازی برای نشان دادن ترکیبات موارد مقدم و پیامد قوانین مناسب هستند. با استفاده از نمودارهای مبتنی بر نمودار می توان روابط بین قوانین را بر حسب موارد خاص پیدا کرد. با این حال، این روش‌ها عمدتاً برای قوانین از مجموعه داده‌های تراکنشی پیشنهاد شده‌اند و ویژگی‌های مکانی را در نظر نمی‌گیرند.

2.3. ژئو تجسم

بر اساس تجسم علمی، تجسم زمین، GIS و نقشه‌نگاری را برای برقراری ارتباط اطلاعات مکانی در حمایت از تجزیه و تحلیل جغرافیایی [ 14 ] یکپارچه می‌کند. داده های مکانی را می توان با یک رابط نقشه نمایش داد و روندها و الگوهای مکانی غیرمنتظره ای که در پشت داده ها پنهان شده اند را می توان کشف کرد.

Geovisualization اخیراً به طور گسترده در بسیاری از رشته های علمی مورد استفاده قرار گرفته است. Aoidh و همکاران یک روش تجسم جغرافیایی پیشنهاد کرد که در آن نمادشناسی برای برقراری ارتباط اطلاعات ژنتیکی چشم‌انداز به روشی شهودی مورد بررسی قرار گرفت [ 16 ]. Gienko و Terry یک روش geovisualization را برای نمایش و پیش‌بینی رفتار طوفان معرفی کردند، که در آن چندین تکنیک درون‌یابی فضایی به طور موفقیت‌آمیزی با geovisualization برای شناسایی و تجزیه و تحلیل ویژگی‌های طوفان ترکیب شدند [17 ] . روش‌های فوق مبتنی بر تکنیک‌های نمادشناسی و فضایی‌سازی هستند، اما هدف آنها تجسم قوانین ارتباط از داده‌های مکانی نیست.

2.4. درون یابی فضایی

با این فرض که مقدار تخمینی یک نقطه درونیابی باید بیشتر تحت تأثیر نقاط کنترل نزدیک باشد تا نقاط کنترل دور، درون یابی فضایی می تواند داده ها را بین نقاط نمونه پر کند. روش های درون یابی فضایی را می توان به روش های تصادفی و قطعی دسته بندی کرد.

یک روش درونیابی تصادفی ارزیابی خطاهای پیش‌بینی را با واریانس‌های برآورد شده در قالب خطاهای استاندارد پیش‌بینی با مقادیر درون‌یابی ارائه می‌دهد. درون یابی کریجینگ یکی از رایج ترین روش های درونیابی تصادفی فضایی است. فقط نمی تواند مقدار یک ویژگی خاص را برای یک نقطه ناشناخته (داخل یابی) با مقادیر مشخصه شناخته شده نقاط همسایه خود درون یابی کند، بلکه می تواند خطاهای پیش بینی با مقادیر تخمین زده شده را برای ارزیابی کیفیت درونیابی ارائه دهد. کریجینگ فرض می‌کند که تغییرات مکانی یک ویژگی که باید درون یابی شود ممکن است از یک جزء همبسته مکانی تشکیل شده باشد که نشان‌دهنده تغییر متغیر منطقه‌ای، یک رانش نشان‌دهنده روند و یک جزء خطای تصادفی است.

یک روش درونیابی قطعی شامل نظریه احتمال نمی شود، بنابراین هیچ ارزیابی از خطاها با مقادیر پیش بینی شده ارائه نمی دهد. درون یابی Spline مقادیر را با استفاده از یک تابع ریاضی تخمین می زند که انحنای سطح کلی را به حداقل می رساند و به سطح آماری صاف تر ختم می شود. سطح دقیقاً از نقاط کنترل عبور می کند. در درونیابی با فاصله معکوس (IDW)، وزنی به هر نقطه همسایگی در یک شعاع از پیش تعریف شده برای یک نقطه درونیابی اختصاص داده می شود. وزن با افزایش فاصله از نقطه درونیابی تا نقاط همسایگی آن کاهش می یابد. مقدار تخمینی نقطه درونیابی میانگین وزنی نقاط همسایگی آن است. درونیابی سطح روند مقادیر مجهول نقاط درونیابی را با یک معادله چند جمله ای تقریب می زند.

با توجه به ویژگی‌های مختلف درون‌یابی‌های قطعی و تصادفی، کاربرد آنها برای داده‌های چاه نفت و گاز با استفاده از داده‌های واقعی چاه در بخش‌های زیر بررسی می‌شود.

3. روش شناسی

3.1. قانون انجمن استخراج در داده های چاه نفت و گاز

هر رکورد چاه در مجموعه داده نفت و گاز حاوی خواص مخزن و عملکرد تولید نفت و گاز چاه است. علاوه بر این، محل هر چاه با مختصات طول و عرض جغرافیایی مشخص شد.

پردازش قوانین انجمن شامل مراحل زیر است. ابتدا مقادیر پیوسته ویژگی مخزن و پارامترهای عملکرد تولید نفت در داده‌های چاه نفت و گاز منبع ابتدا گسسته شد. به عنوان مثال، یک مقدار عددی (73.2) از ویژگی ویژگی مخزن، حجم منافذ تجمعی می تواند به مقدار گسسته “1” تبدیل شود، که محدوده ای از مقادیر را از 59.2 تا 94.4 نشان می دهد. فرآیند گسسته‌سازی را می‌توان از طریق روش خوشه‌بندی k-means انجام داد. الگوریتم خوشه بندی K-mean یک الگوریتم خوشه بندی موثر و کارآمد است. ابتدا داده ها را به k زیر مجموعه های غیر خالی تقسیم می کند و سپس نقاط بذر را به عنوان مرکز خوشه های پارتیشن فعلی محاسبه می کند (یعنی نقطه میانگیناز خوشه). در مرحله بعد، هر شی داده را به خوشه ای با نزدیکترین نقطه اولیه اختصاص می دهد. این روند تا زمانی که دیگر تکلیف جدیدی انجام نشود ادامه می یابد. پارامتر روش خوشه بندی k-mean مقدار k است که قبل از محاسبه باید ثابت شود.

در مرحله بعد، الگوریتم استخراج قواعد ارتباطی مانند Apriori [ 6 ] که در بخش 2.1 مورد بحث قرار گرفت ، سپس می تواند برای داده های پردازش شده اعمال شود. هدف اصلی در به کارگیری قانون معادن، کشف روابط جالب بین خواص مخزن و عملکرد تولید نفت است. هر قانون کشف شده به شکل زیر است:

اگر {ویژگی‌های مخزن دارای شرایط خاصی هستند} سپس {عملکرد تولید در محدوده خاصی است}; [پشتیبانی = n%; Confidence = m%] که در آن قسمت IF پیشین نامیده می شود. قسمت THEN نتیجه نامیده می شود. پشتیبانی n% نشان می دهد که n% چاه در کل مجموعه داده این قانون را برآورده می کند. اطمینان m% بیانگر این است که، در بین تمام چاه هایی که شرایط خصوصیات مخزن را در پیشین برآورده می کنند، m% این چاه ها نیز پیامد را برآورده می کنند. حمایت و اطمینان دو معیار مهم برای جذابیت قوانین هستند.

نمونه ای از قوانین مرتبط کشف شده IF {حجم منافذ تجمعی = 168.8–291.2} THEN {بازده موثر = 808.2–1452.9 m3 ^} ، [پشتیبانی = 15%, اطمینان = 80%] است، یعنی اگر حجم منافذ تجمعی خاصیت مخزن باشد. بین 168.8 و 291.2 است، سپس بازده موثر در محدوده بین 808.2 متر ^مکعب و 1452.9 متر ^مکعب است . این قانون توسط 15 درصد از داده‌های مجموعه داده پشتیبانی می‌شود و در میان چاه‌هایی با حجم منافذ تجمعی بین 168.8 و 291.2، 80 درصد چاه‌ها دارای عملکرد مؤثر بین 808.2 مترمکعب ^و 1452.9 متر ^مکعب هستند .

3.2. Geovisualization برای قوانین انجمن

قوانین انجمن معدن در داده های چاه نفت و گاز معمولاً تعداد زیادی از قوانین مرتبط را ایجاد می کند. تعیین حداقل آستانه برای اندازه‌گیری‌های سنتی جذابیت، مانند حمایت و اطمینان، ممکن است به یافتن قوانین جالب کمک کند. با این حال، برخی از قوانین بالقوه جالب با اندازه‌گیری‌های جذابیت نسبتاً کم ممکن است نادیده گرفته شوند. برای یک قانون ارتباطی که در داده‌های چاه یافت می‌شود، جذابیت این قانون نه تنها به پشتیبانی و اطمینان آن بستگی دارد، بلکه به مکان‌ها و توزیع چاه‌هایی که با این قانون مطابقت دارند نیز بستگی دارد. با این حال، برای تعیین قوانین جالب و درک بهتر قوانین کشف شده چالش هایی وجود دارد. علاوه بر این، مناطق قابل اجرا بالقوه قوانین جالب برای مهندسان مخزن حیاتی است.

در این مقاله، روش‌های زمین‌بصری مبتنی بر نقطه و سطح برای تجسم قوانین ارتباط در داده‌های چاه نفت و گاز پیشنهاد شده‌اند و در بخش‌های فرعی زیر توضیح داده شده‌اند. ژئوتصویرسازی مبتنی بر نقطه، یک قاعده تداعی را با توجه به مکان‌های چاه مفهوم‌سازی می‌کند، و ژئوتصویرسازی مبتنی بر سطح، مناطق قابل اجرا برای یک قانون تداعی را بر اساس تکنیک‌های درون یابی فضایی ایجاد می‌کند و سپس به طور موثر مناطق را روی نقشه نشان می‌دهد.

3.2.1. ژئو تجسم مبتنی بر نقطه

ژئوتصویرسازی مبتنی بر نقطه از نمادهای مختلفی برای نشان دادن مکان (نقاط) چاه ها، بسته به رابطه آنها با قوانین ارتباط در داده های چاه، استفاده می کند. توزیع مکانی چاه های مرتبط با یک قانون تداعی بر روی نقشه با مراحل زیر مشاهده شد. ابتدا تمامی چاه ها بر اساس میزان رضایت از قانون در سه گروه طبقه بندی شدند.

گروه 1: چاه هایی با محدوده مشابهی از خواص مخزن و عملکرد تولیدی که در قانون توضیح داده شده است (یعنی هم پیشینیان و هم پیامدهای قوانین راضی هستند).

گروه 2: چاه هایی با محدوده مشابهی از خواص مخزن که در قانون توضیح داده شده است، اما طیف متفاوتی از عملکرد تولید دارند (یعنی پیشینیان را برآورده می کنند اما پیامدهای قانون را برآورده نمی کنند).

گروه 3: چاه هایی با ویژگی های مخزن و عملکرد تولید متفاوت از آنچه در قانون توضیح داده شده است (یعنی هیچ کدام از این قانون راضی نیستند).

طرح طبقه بندی فوق می تواند دو اندازه گیری سنتی جذابیت (حمایت و اطمینان) را بر روی نقشه منعکس کند. برای قوانین ارتباط در داده‌های چاه، پشتیبانی درصدی از چاه‌ها در کل مجموعه داده است که این قانون را برآورده می‌کنند. و اطمينان، درصد چاههايي است كه در بين تمام چاههايي كه شرايط خاص مخزن را در مرحله قبل برآورده مي كنند. به طور خاص، با مقایسه چاه هایی که قاعده انجمن (گروه 1) را برآورده می کنند و آنهایی که ندارند (گروه 3)، حمایت از این قانون را می توان درک کرد. و چاه هایی که این قانون را پشتیبانی می کنند را می توان روی نقشه قرار داد. به همین ترتیب،

پس از طبقه بندی، محل چاه سه گروه مختلف با استفاده از نمادهای مختلف بر روی نقشه نشان داده شد. تجسم مبتنی بر نقطه، قوانین کشف شده را با مکان های چاه مرتبط می کند. کاربران (یعنی مهندسان مخزن) به راحتی می توانند چاه هایی را که قاعده را رعایت می کنند شناسایی کنند و به طور معکوس قوانین مرتبط با چاه را پیدا کنند. مقایسه و تجزیه و تحلیل توزیع‌های جغرافیایی سه گروه از چاه‌های طبقه‌بندی‌شده بر روی نقشه نیز می‌تواند به کاربران در آگاهی از پشتیبانی و اطمینان از هر قانون کشف‌شده کمک کند.

3.2.2. ژئوتصویرسازی مبتنی بر سطح

زمین تجسمی مبتنی بر سطح، مفهوم‌سازی قانون را از نقاط گسسته به سطوح پیوسته گسترش می‌دهد، با هدف ایجاد و نمایش مناطقی که این قانون ممکن است قابل اجرا باشد.

همانطور که در شکل 1 نشان داده شده استژئوتصویرسازی سطحی یک قانون تداعی عمدتاً شامل مراحل زیر است. ابتدا وابستگی مکانی همه صفات ظاهر شده در مقدمات و پیامدهای قاعده بررسی می شود. اگر وابستگی فضایی در ویژگی ها وجود نداشته باشد، روش ژئوتصویرسازی مبتنی بر سطح برای قانون قابل اجرا نیست. در غیر این صورت، سطوح پیوسته صفات با اعمال یک روش درونیابی فضایی قطعی یا تصادفی بر روی داده‌های چاه ایجاد می‌شوند. در مرحله بعد، حوزه های کاربردی مربوط به پیشایندها و پیامدهای قانون از سطوح پیوسته استخراج شده و با رنگ های مختلف نشان داده می شود. در نهایت، یک نقشه پیش‌بینی از قانون با همپوشانی حوزه‌های کاربردی پیشایندها و پیامدهای قانون به دست می‌آید.

وجود وابستگی فضایی در صفات در منطقه مورد مطالعه پیش شرط استفاده از درونیابی فضایی است. وابستگی مکانی هر صفت مقدم یا پیامد قاعده تداعی باید قبل از استفاده از درونیابی فضایی بررسی شود. وابستگی مکانی ویژگی ها را می توان با ابرهای نیمه متغیر بررسی کرد. اگر وابستگی مکانی یک ویژگی ویژگی مخزن در منطقه مخزن مورد مطالعه وجود داشته باشد، نیمه واریانس با افزایش فاصله فضایی در ابر نیمه متغیری ویژگی کاهش می‌یابد.

شکل 2 یک ابر نیمه واریوگرام از ویژگی حجم منافذ تجمعی در یک منطقه را نشان می دهد. از آنجایی که با افزایش فاصله فضایی در ابر، نیمه واریانس افزایش می یابد، ابر نیمه واریوگرام نشان می دهد که وابستگی فضایی در حجم منافذ تجمعی تا حدی ظاهر می شود. جفت چاه‌های نمونه که از نظر فاصله در محور X نزدیک‌تر هستند، نسبت به جفت چاه‌هایی که از هم دورتر هستند، مقادیر نیمه‌واریانس (محور Y) مشابه بیشتری برای حجم منافذ تجمعی دارند.

توجه داشته باشید که تأثیرات جهتی نیز باید در هنگام تولید ابرهای نیمه متغیر در نظر گرفته شود. وابستگی مکانی یک ویژگی می تواند در جهت های خاص قوی تر باشد. تأثیرات جهت‌دار ممکن است از ساختارهای زمین‌شناسی یا انواع فرآیندهای پیچیده‌تر دیگر ناشی شود. تأثیر جهت‌دار وابستگی فضایی باید در اعتبار وابستگی فضایی هر صفت مقدم یا پیامد قاعده تداعی گنجانده شود.

اگر وابستگی مکانی صفات مقدم و پیامد قاعده در ناحیه مورد مطالعه وجود داشته باشد، از روش‌های درونیابی قطعی یا تصادفی برای تولید سطوح پیوسته برای صفات استفاده می‌شود. چاه‌ها به‌عنوان ویژگی‌های نقطه‌ای که بطور مجزا بر روی نقشه توزیع شده‌اند نشان داده می‌شوند. درونیابی فضایی سپس داده های گمشده بین چاه ها را بر اساس مقادیر ویژگی چاه ها پر می کند، به عنوان مثال، ارزش ویژگی در مکانی بدون داده های ثبت شده را می توان با استفاده از مقدار شناخته شده مربوط به ویژگی چاه های نمونه مجاور تخمین زد.

از نظر قالب داده‌های مکانی، درون‌یابی فضایی یک لایه شطرنجی با تخمین‌هایی برای همه سلول‌ها برای هر صفت پیشین یا پیامد یک قانون ارتباطی از یک لایه برداری حاوی چاه‌های نفت ایجاد می‌کند، جایی که مقدار هر ویژگی مشخص است. پس از این مرحله، هر مشخصه ای که در قانون ارتباط ظاهر می شود، یک سطح پیوسته درون یابی خواهد داشت.

سپس نواحی قابل اعمال پیشایندها و پیامدهای قاعده از سطح هر صفت استخراج و ارائه می شود. به عنوان مثال، نواحی قابل اجرا از یک قاعده ارتباطی (به عنوان مثال، حجم منافذ تجمعی = 59.2٪ – 94.4٪) را می توان با استخراج سلول هایی که مقادیر درونیابی آنها به محدوده 59.2٪ تا 94.4٪ از پیوسته درون یابی شده تعلق دارد، به دست آورد. سطوح حجم منافذ تجمعی

در نهایت، یک نقشه پیش‌بینی از نواحی قابل اجرا قانون با همپوشانی تمام سطوح پیوسته درون‌یابی ویژگی‌های ظاهر شده در قانون به دست می‌آید.

4. نمونه اولیه سیستم ARM-GEOVIZ و یک مطالعه موردی

4.1. نمونه اولیه سیستم ARM-GEOVIZ

بر اساس روش‌های ارائه شده، ما یک نمونه اولیه سیستم به نام ARM-GEOVIZ ایجاد کردیم. رابط‌های کاربری گرافیکی مربوط به استخراج قواعد انجمن و تصویرسازی جغرافیایی با استفاده از زبان برنامه‌نویسی C# با ادغام ESRI ArcObjects API توسعه داده شده‌اند. نمونه اولیه از فرمت های داده های مختلف (فایل نقشه *.mxd، فایل لایه *.lyr، فایل شکل *.shp، فایل پایگاه جغرافیایی *.mdb) پشتیبانی می کند و آنها را روی نقشه نمایش می دهد. نمونه اولیه عمدتاً شامل چهار مؤلفه همانطور که در شکل 3 نشان داده شده است: پایگاه داده چاه، تابع استخراج قانون انجمن، تابع تجسم جغرافیایی و رابط کاربری گرافیکی (GUI).

پایگاه داده چاه : پایگاه داده چاه داده های مکانی و غیر مکانی را ذخیره می کند. داده های مکانی شامل مکان چاه (به عنوان مثال، طول و عرض جغرافیایی) و اشیاء فضایی نشان دهنده چاه ها (به عنوان مثال، نقاط). داده‌های غیر مکانی شامل شناسه چاه منحصربه‌فرد (UWI)، ویژگی‌های مخزن و داده‌های تولید نفت بود. UWI برای هر چاه منحصر به فرد بود و به عنوان کلید اصلی در پایگاه داده استفاده می شد. داده‌های غیرمکانی با استفاده از کلید اولیه UWI با داده‌های مکانی مرتبط شدند.

تابع استخراج قانون انجمن : مقادیر پیوسته ویژگی های مخزن و پارامترهای عملکرد تولید نفت در داده های منبع ابتدا توسط تابع فرعی تبدیل داده گسسته شدند. در مقایسه با روش‌های کلاسیک با عرض یا فرکانس برابر، هر دو روش نقشه خودسازماندهی و k-means می‌توانند داده‌ها را با حفظ توزیع مشابه با توزیع اصلی مشخصه گسسته‌سازی کنند و بصری‌تر باشند [18 ]]. بنابراین در سیستم هر دو روش به عنوان توابع تبدیل داده پیاده سازی شدند. سپس الگوریتم Apriori قوانین ارتباط کشف شده را در بین ویژگی های گسسته کشف کرد. تابع فرعی فیلتر کردن قانون انجمن قوانین جالب را با مقادیر اطمینان پیشین و پیامد مشخص شده توسط کاربر فیلتر می کند.

عملکرد ژئو تجسم و رابط کاربری گرافیکی (GUI) : شکل 4a GUI های اصلی نمونه اولیه سیستم ARM-GEOVIZ را نشان می دهد. رابط اصلی شامل منطقه نمایش نقشه، جدول محتوای لایه، پنجره چشم عقاب، منو و نوار ابزار است. منطقه نمایش نقشه در وسط رابط، تجسم قوانین جالب را با مقیاس نقشه و مختصات تعیین شده نشان می دهد. جدول لایه در سمت راست رابط، لایه های نقشه را نشان می دهد. پنجره چشم عقاب نمای کلی از نقشه فعلی را نشان می دهد. بالای اینترفیس شامل منو و نوار ابزار است که در آن می‌توان به عملکردهای استخراج قوانین انجمن و تجسم جغرافیایی دسترسی داشت. از طریق رابط اصلی، کاربر می‌تواند با کلیک کردن روی دکمه Association Rule Mining and Geovisualization Function در نوار ابزار، قانون انجمن استخراج و تصویرسازی جغرافیایی را اجرا کند. شکل 4b رابط کاربری قانون انجمن استخراج و تجسم جغرافیایی را نشان می دهد. از بالا به پایین، نوار منو، نمایشگر داده و نتایج، استخراج قوانین انجمن، فیلترهای قوانین و جعبه پیام وجود دارد. عملکرد Geovisualization شامل روش‌های مبتنی بر نقطه و سطح را می‌توان در نوار منو راه‌اندازی کرد. در فیلترها، کاربران می‌توانند با تنظیم یا انتخاب سوابق و پیامدها، شناسه‌های منحصربه‌فرد چاه، و مکان‌های چاه، قوانین جالب را از همه قوانین مرتبط ایجاد شده و فهرست شده در نمایشگر داده و نتایج بررسی کنند. در مرحله بعد، کاربران می‌توانند روش‌های مبتنی بر نقطه یا سطح را در زیر تصویرسازی جغرافیایی انتخاب کنند و سپس روی هر یک از قوانین جالب در نمایشگر داده‌ها و نتایج کلیک کنند تا نتایج تصویرسازی جغرافیایی را روی نقشه در رابط اصلی به دست آورند.

4.2. مطالعه موردی

یک مطالعه موردی بر روی داده‌های واقعی تولید نفت سنگین سرد با ماسه (CHOPS) برای بلوک نفت سنگین لویدمینستر در آلبرتا، کانادا انجام شد.

4.2.1. جمع آوری داده ها و پیش پردازش

بلوک نفت سنگین لویدمینستر یک منطقه مخزن بزرگ است که در بخش شرقی مرکزی استان آلبرتا در کانادا واقع شده است. در این بلوک بیش از 3000 حلقه چاه حفر شده است. یکصد و هجده چاه نفت سرد تولیدی از بلوک بر اساس معیارهای انتخاب زیر انتخاب شدند: (1) تاریخ حفاری بین 1992 و 2005. (2) چاه عمودی؛ و (3) یک تشکیل سوراخ. توزیع 118 چاه CHOPS مورد مطالعه در شکل 5 نشان داده شده است .

داده های منبع 118 چاه CHOPS مورد مطالعه در مطالعه موردی جمع آوری و در پایگاه داده ذخیره شد [ 19 ]. هر رکورد چاه در داده ها حاوی ویژگی های مخزن و پارامترهای عملکرد تولید نفت چاه بود و هر چاه موقعیت جغرافیایی خود را در مختصات طول و عرض جغرافیایی داشت.

پارامترهای ویژگی مخزن مورد استفاده برای استخراج قانون انجمن، شش پارامتر اساسی پتروفیزیکی یک مخزن بودند که می‌توان برای شناسایی ویژگی‌های یک مخزن استفاده کرد: تخلخل تجمعی، حجم منافذ تجمعی، محتوای تجمعی شیل، اشباع نفت تجمعی، تحرک سیال تجمعی. عامل و ضخامت موثر [ 3 ]. برای تجزیه و تحلیل ویژگی‌های اصلی عملکرد تولید، یک منحنی برازش چند جمله‌ای از داده‌های تولید روزانه که عملکرد تولید چاه را نشان می‌دهد ایجاد شد. از سه پارامتر تولید برای مشخص کردن منحنی برازش استفاده شد: مقدار پیک، چرخه عمر موثر و بازده موثر [ 3 ]، همانطور که در شکل 6 نشان داده شده است .

4.2.2. انجمن قانون معدن

کار اصلی پیش پردازش قبل از استخراج قانون انجمن، تبدیل مقادیر ویژگی‌های مورد مطالعه و ویژگی‌های مخزن و پارامترهای عملکرد تولید نفت به مجموعه‌ای از زیرمحدوده‌ها از طریق استفاده از طرح‌های گسسته‌سازی است. کاهش جزئیات در نتایج داده ها می تواند فرآیند استخراج را کارآمدتر و الگوها را در دسترس تر کند.

مقادیر سه پارامتر عملکرد عملکرد با الگوریتم k-means که در نمونه اولیه سیستم پیاده‌سازی شد، به چهار دسته خوشه‌بندی شدند. نتایج خوشه بندی در جدول 1 فهرست شده است . همانطور که در جدول 2 نشان داده شده است، از یک نقشه خودسازماندهی تک بعدی برای تفکیک مقادیر شش پارامتر خصوصیات مخزن دیگر در چهار دسته استفاده شد.. در این مورد، از نقشه خودسازماندهی برای گسسته سازی متغیرهای منتخب خصوصیات مخزن یک به یک استفاده شد. و، تکنیک k-means برای خوشه‌بندی داده‌های تولید برای توضیح آسان نتایج با مرکزهای خوشه‌ای (یعنی مراکز هر خوشه) استفاده شد. روش k-means به مقدار k بسیار حساس است که باید قبل از محاسبه ثابت شود. ما چهار دانه را برای مقداردهی اولیه انتخاب کردیم. برای نقشه خودسازماندهی، داده های آموزشی برای ایجاد تعدادی خوشه مورد نیاز نیست، زیرا این یک روش خوشه بندی بدون نظارت است. فقط حداکثر تعداد فواصل مورد نظر باید ثابت شود.

پس از گسسته شدن داده های منبع، قوانین ارتباط با الگوریتم Apriori پیاده سازی شده در سیستم تولید شدند. این روش منجر به قوانین جالبی شد که دارای مقادیر پشتیبانی و اطمینان بیشتر از آستانه‌های تعیین‌شده، فقط پارامترهای ویژگی مخزن به عنوان آیتم‌های پیشین، و تنها پارامترهای عملکرد تولید نفت به عنوان موارد پیامد بود. در این مورد، حداقل مقدار حمایت و اطمینان به ترتیب 2 و 55 درصد تعیین شد.

داده های از پیش پردازش شده 869 قانون ارتباط را ایجاد کردند. جدول 3 برخی از قوانین ارتباطی کشف شده بین حجم منافذ تجمعی و بازده موثر را فهرست می کند. در میان چهار قانون، قانون چهارم کمترین ارزش اطمینان را دارد، زیرا 7 چاه از 12 چاه هم با مقدمه قانون (حجم منافذ تجمعی = 4) و هم با نتیجه (بازده موثر = 4) مطابقت دارند.

4.3. تجسم جغرافیایی قوانین انجمن

در این بخش، روش‌های پیشنهادی ژئوتصویرسازی مبتنی بر نقطه و سطح مورد استفاده در قوانین ارتباط کشف‌شده در داده‌های چاه CHOPS شرح داده می‌شوند.

4.3.1. ژئو تجسم مبتنی بر نقطه

اگرچه قوانین انجمن معدن در داده‌های چاه CHOPS تعداد زیادی از قوانین ارتباطی بین ویژگی‌های مخزن و متغیرهای عملکرد تولید نفت ایجاد می‌کند، مهندسان مخزن و سایر ذینفعان با کار دشواری در انتخاب قوانین جالب بر اساس مکان‌های مکانی و توزیع چاه‌ها روبرو هستند. همخوانی داشتن. از طریق یک نقشه قابل دسترسی، روش geovisualization مبتنی بر نقطه برای قوانین تداعی، ارتباط موثری را در مورد قوانین کشف‌شده و توزیع فضایی چاه‌ها ارائه می‌دهد.

به عنوان مثال، اگر مهندسان مخزن به رابطه بین حجم منافذ تجمعی و بازده موثر علاقه مند باشند. قوانین کشف شده را می توان از مجموعه قوانین کشف شده پرس و جو کرد. جدول 3 چهار قانون را با مقادیر پشتیبانی و اطمینان نسبتاً بالا فهرست می کند. هر چهار قانون رابطه بین حجم منافذ تجمعی و بازده موثر را نشان می‌دهند و نشان می‌دهند که با افزایش حجم منافذ تجمعی بازده مؤثر افزایش می‌یابد.

ژئوتصویرسازی مبتنی بر نقطه، رابطه را از نظر چاه‌ها با نشان دادن یک قانون ارتباطی نشان می‌دهد که رابطه روی نقشه را با مکان‌های چاه‌ها نشان می‌دهد. از قانون زیر به عنوان مثال برای نشان دادن روند ژئوتصویرسازی مبتنی بر نقطه استفاده می شود:

اگر {حجم منافذ تجمعی = 168.8-291.2} سپس {بازده موثر = 808.2-1452.9 m3 ^} .

118 چاه CHOPS انتخاب شده ابتدا بر اساس میزان رضایت از یک قانون ارتباطی به سه طبقه طبقه‌بندی شدند: چاه‌هایی که دارای حجم منافذ تجمعی بودند و عملکرد مؤثری که قانون را برآورده می‌کرد (کاملاً قاعده را برآورده می‌کرد). چاه هایی که دارای حجم منافذ تجمعی بودند که قاعده را برآورده می کرد، اما عملکرد موثری داشتند که قاعده را برآورده نمی کرد (قوانین را تا حدی ارضا می کرد). و چاه هایی که دارای حجم منافذ تجمعی و بازده موثری بودند که قاعده را برآورده نمی کرد (عدم ارضای قانون).

شکل 7 نتیجه تجسم مربوط به قانون ارتباط فوق را نشان می دهد (یعنی قانون چهارم در جدول 3 ). مکان های سه طبقه چاه بر روی نقشه با استفاده از نمادهای دایره ای با رنگ های مختلف مشخص می شوند: قرمز، زرد و سبز به ترتیب نشان دهنده طبقه بندی های کاملاً رضایت بخش، تا حدی رضایت بخش و ناراضی کننده طبقه بندی قوانین هستند.

نتیجه تجسم نقطه‌ای قانون در شکل 7 نشان می‌دهد که هفت چاه وجود دارد که کاملاً قانون ارتباط را برآورده می‌کنند، یعنی مقادیر تجمعی منافذ چاه‌ها در محدوده 169.8 تا 291.2 و مقادیر بازده موثر چاه‌ها بوده است. در محدوده 808.2 m ³ تا 1452.9 m ³ قرار گرفت . چاه ها عمدتاً در شرق مرکزی منطقه مخزن مورد مطالعه توزیع شده اند (همانطور که در شکل 7 الف نشان داده شده است). ژئوتصویرسازی مبتنی بر نقطه بر قاعده ارتباط و الگوهای توزیع مکانی چاه‌ها که قاعده را برآورده می‌کنند، پل زد. توجه داشته باشید که هفت چاهی که قاعده را برآورده می کنند نزدیک به هم قرار دارند ( شکل 7آ). مهندسان مخزن ممکن است قوانین جالب دیگری را که توسط هفت چاه یا چاه های مجاور برآورده شده است، کشف کنند، که همچنین ممکن است منجر به مطالعه بیشتر در مورد دلیل الگوهای توزیع مکانی چاه ها شود که این قانون را برآورده می کند.

4.3.2. ژئوتصویرسازی مبتنی بر سطح

مناطق بالقوه ای که ممکن است یک قانون ارتباط جالب در آن اتفاق بیفتد برای پیش بینی بر اساس الگوهای درون قانون بسیار ارزشمند هستند. زمین تجسمی مبتنی بر سطح را می توان برای پیش بینی و تجسم مناطق قابل اجرا برای قوانین تداعی کشف شده از داده های چاه نفت سرد استفاده کرد. از قانون زیر به عنوان مثال برای نشان دادن روند ژئوتصویرسازی مبتنی بر سطح استفاده می شود:

اگر {تخلخل تجمعی = 25.3%–38.5%} سپس {بازده موثر = 808.2–1452.9 m3 ^} .

4.3.2.1. تجزیه و تحلیل وابستگی فضایی برای داده های تولید سرد منبع

اولین مرحله از تجسم زمین مبتنی بر سطح مستلزم آن است که وابستگی فضایی تخلخل تجمعی و عملکرد مؤثر در قانون مورد بررسی قرار گیرد. شکل 8 ابرهای نیمه واریوگرام این دو ویژگی را در داده های چاه مورد استفاده در مطالعه موردی نشان می دهد. ابرهای نیمه متغیر در جهت 37.62 ایجاد شدند

°

و 91.25

°

، که در آن وابستگی مکانی صفات قوی ترین بود.

ابرهای نیمه متغیر نشان می‌دهند که وابستگی مکانی در تخلخل تجمعی و ویژگی‌های عملکرد مؤثر 118 چاه نمونه وجود دارد، زیرا با افزایش فاصله، نیمه واریانس افزایش می‌یابد، یعنی جفت چاه‌های نزدیک‌تر مقادیر مشابه بیشتری برای تخلخل تجمعی و موثر دارند. عملکرد نسبت به جفت چاه هایی که از هم دورتر بودند.

4.3.2.2. زمین تجسمی مبتنی بر سطح بر اساس درونیابی فضایی قطعی

از آنجایی که وابستگی فضایی تخلخل تجمعی و ویژگی‌های عملکرد مؤثر برای منطقه 118 چاه نفت تولید سرد برگزار می‌شود، روش‌های درون‌یابی فضایی قطعی برای ایجاد مناطق قابل اجرا پیوسته برای قوانین انجمن استفاده شد.

مقادیر تخلخل تجمعی برای کل منطقه مورد مطالعه را می توان با استفاده از مقادیر مشخصه شناخته شده مربوطه در چاه های مجاور با درون یابی تخمین زد. شکل 9 a نقشه گرادیان تخلخل تجمعی ایجاد شده با اعمال درون یابی Spline بر روی داده های چاه منبع را نشان می دهد. نواحی قابل اعمال پیشین قانون، یعنی تخلخل تجمعی = 25.3٪-38.5٪، از نقشه گرادیان با توجه به نتایج گسسته سازی مربوطه در جدول 2 استخراج شده و با استفاده از رنگ سبز همانطور که در شکل 9 نشان داده شده است نشان داده شده است . به طور مشابه، نقشه گرادیان عملکرد مؤثر و مناطق قابل اعمال پیامد قانون، یعنی بازده مؤثر = 808.2-1452.9 متر ^مکعبهمانطور که در شکل 9 c,d نشان داده شده است، استخراج و با رنگ قرمز نشان داده شد .

در نهایت، نقشه پیش‌بینی قانون را می‌توان با همپوشانی نواحی قابل اعمال تخلخل تجمعی = 25.3٪-38.5٪ و بازده موثر = 808.2-1452.9 متر ^مکعب ، همانطور که در شکل 9 نشان داده شده است، به دست آورد . نواحی پیش‌بینی‌شده که این قانون ممکن است اعمال شود یا رخ دهد، در شمال شرق مرکزی منطقه مخزن مورد مطالعه در داخل مانع سیاه قرار دارند که با خطوط مورب مشخص می‌شود.

شکل 10 و شکل 11 نقشه های پیش بینی همان قاعده را بر اساس دو روش درونیابی فضایی قطعی دیگر نشان می دهد – روش های وزنی فاصله معکوس و روند.

همه نقشه ها به وضوح مکان های مناطق قابل اجرا پیوسته قانون ارتباط را نشان می دهند. با این حال، مقایسه نقشه‌های پیش‌بینی تولید شده توسط سه روش مختلف درون‌یابی فضایی قطعی نشان‌داده‌شده در شکل 9 e، شکل 10 و شکل 11 نشان داد که این سه تکنیک مناطق قابل‌اجرای متفاوتی را برای قاعده بر اساس داده‌های چاه CHOPS ایجاد کردند. بنابراین، کیفیت نتایج درونیابی فضایی قطعی در نقشه‌های پیش‌بینی در یک روش اعتبارسنجی بعدی مورد ارزیابی قرار گرفت. در این روش، مقادیر مشخصه تخمین زده شده با مقادیر مشخصه باقیمانده چاه‌های نمونه‌گیری برای اعتبارسنجی دقت درونیابی مقایسه شد.

اعتبار سنجی متقابل یکی از رایج ترین رویکردهای اعتبار سنجی است. در طول اعتبارسنجی متقاطع برای نتایج درونیابی یک ویژگی در داده‌های چاه، هر بار یکی از 118 چاه نمونه حذف شد. مقدار تخمینی ویژگی برای این چاه با استفاده از مقادیر همان ویژگی همه چاه‌های نمونه دیگر به دست آمد. این روش تا زمانی که یک مقدار برای تمام چاه های نمونه اولیه تخمین زده شد تکرار شد.

جدول 4 کیفیت درونیابی سه روش مورد استفاده را فهرست می کند. با توجه به داده های چاه در مطالعه موردی، تخلخل تجمعی از 1.1٪ تا 35.0٪ متغیر بود. و بازده موثر بین 0 مترمکعب ^تا 9/1452 مترمکعب ^متغیر بود . IDW دقیق ترین درون یابی دو ویژگی را بر اساس روش اعتبار سنجی ارائه کرد. همانطور که در جدول 4 نشان داده شده است، مقادیر ریشه میانگین مربعات خطا (RMSE) دو ویژگی با استفاده از روش IDW کمترین مقدار را داشتند، یعنی به ترتیب 4.8% و 325.4 ^m3 . لطفاً توجه داشته باشید که در روش Trend، مقدار تخمینی یک مکان که مستقیماً توسط مقادیر نقاط کنترل همسایه آن تعیین می شود، ثابت و دقیق بود.

اعتبارسنجی متقاطع تنها می تواند کیفیت کلی درونیابی را برای کل منطقه مورد مطالعه ارزیابی کند. بنابراین، اگر مکان‌هایی که باید تخمین زده شوند در مناطقی با داده‌های ضعیف باشند (به عنوان مثال، بخش مرکزی بین 110 درجه و 40 دقیقه غربی و 110 درجه سانتی‌گراد 30 دقیقه غربی از مناطق مورد مطالعه در شکل 5)، دقت مقادیر تخمینی آنها دشوار است . با نتایج اعتبارسنجی متقابل تعیین کنید.

یکی از گزینه های ممکن استفاده از روش های درونیابی تصادفی است که در آن تمام مقادیر درون یابی شده را می توان با خطاهای با مقادیر تخمین زده ارزیابی کرد. کیفیت نقاط درونیابی شده، به ویژه نقاطی که در مناطق با داده ضعیف هستند، با روش های ارزیابی ارائه شده توسط روش های درونیابی تصادفی قابل ارزیابی است.

4.3.2.3. ژئوتصویرسازی مبتنی بر سطح بر اساس درونیابی فضایی تصادفی

از همین مثال برای نشان دادن فرآیند ژئوتصویرسازی مبتنی بر سطح بر اساس روش درونیابی فضایی تصادفی، یعنی درونیابی کریجینگ استفاده شد. فرآیند ایجاد نواحی قابل اجرا پیوسته برای قاعده توسط درونیابی فضایی تصادفی مشابه با درونیابی قطعی است.

نقشه‌های گرادیان ویژگی‌های تخلخل تجمعی و عملکرد مؤثر ابتدا با روش کریجینگ تولید شدند، زیرا وابستگی فضایی دو ویژگی برای منطقه مورد مطالعه در بخش 4.3.2.1 وجود دارد . مقادیر ویژگی‌ها برای کل منطقه مورد مطالعه نیز با درون یابی با استفاده از مقادیر مشخصه شناخته شده مربوطه در چاه‌های مجاور برآورد شد.

نواحی قابل استفاده با تخلخل تجمعی بین 25.3 تا 38.5 درصد و عملکرد مؤثر بین 808.2 مترمکعب ^و 1452.9 مترمکعب ^از نقشه تخلخل تجمعی گرادیان و عملکرد مؤثر استخراج و با استفاده از رنگ‌های سبز و قرمز نشان داده شد. از طریق همپوشانی نواحی قابل اجرا دو ویژگی، نقشه پیش‌بینی نهایی قانون ارتباط، یعنی اگر {تخلخل تجمعی = 25.3%–38.5%} سپس {بازده موثر = 808.2–1452.9 m3}، به دست آمد، ^به عنوان در شکل 12 نشان داده شده است .

نتایج Geovisualization بر اساس درونیابی فضایی تصادفی را می توان با استفاده از خطاهای مقادیر برآورد شده ارزیابی کرد. روش کریجینگ ارزیابی مقادیر برآورد شده را در قالب پیش‌بینی خطاهای استاندارد فراهم می‌کند. شکل 13 نقشه های خطای پیش بینی نتایج درون یابی تخلخل تجمعی و ویژگی های بازده موثر را نشان می دهد. برخلاف اعتبارسنجی متقاطع با درون یابی فضایی قطعی، نقشه های خطای پیش بینی از درونیابی فضایی تصادفی را می توان برای ارزیابی قابلیت اطمینان نتایج درونیابی (یا بصری جغرافیایی) ویژگی ها در هر مکان مورد استفاده قرار داد. به عنوان مثال، مناطق با عمیق ترین رنگ آبی در شکل 13a نشان دهنده مناطقی است که بالاترین محدوده خطای پیش بینی تخلخل تجمعی (5.87-7.52) رخ داده است. همچنین به راحتی می توان مشاهده کرد که به دلیل کمبود داده های نمونه، مکان ها عمدتاً در نواحی مرکزی نقشه بوده اند.

علاوه بر این، هنگامی که دو نقشه خطای پیش‌بینی در شکل 13 با نقشه پیش‌بینی قاعده تداعی در شکل 12 ترکیب شدند ، می‌توان مشخص کرد که نواحی قابل اجرا پیش‌بینی‌شده قانون تداعی (بخش شرقی مرکزی منطقه مورد مطالعه) نسبتاً قابل اعتماد هستند. از آنجایی که دو نقشه پیش‌بینی خطا با هم نشان می‌دهند که خطاهای پیش‌بینی تخلخل تجمعی و ویژگی‌های عملکرد مؤثر هر دو در مناطق قابل پیش‌بینی‌شده نسبتاً کم بودند. چنین اطلاعات اکتشافی حاصل از تجسم زمین مبتنی بر سطح می‌تواند مهندسان مخزن یا سایر کاربران را در پیش‌بینی راهنمایی کند.

5. نتیجه گیری ها

اخیراً از استخراج قانون انجمن بر روی داده های نفت و گاز برای یافتن تأثیر عوامل احتمالی بر تولید نفت استفاده شده است. به دلیل عدم ارتباط بین قوانین یافت شده و توزیع فضایی چاه ها و نواحی کاربردی، نمی توان آن را بیشتر مورد استفاده قرار داد. در پاسخ، این مقاله دو روش geovisualization را پیشنهاد می‌کند که هدف آن پر کردن شکاف است. روش مبتنی بر نقطه قواعد تداعی را بر روی نقشه با توجه به مکان چاه های مربوطه تجسم می کند. بر اساس تکنیک‌های درون‌یابی فضایی و تداخل نقشه، روش ژئوتصویرسازی مبتنی بر سطح می‌تواند مناطق پیوسته را روی نقشه ایجاد و نمایش دهد که در آن یک قانون تداعی ممکن است قابل اجرا باشد. یک نمونه اولیه سیستم GIS برای پشتیبانی از فرآیند استخراج قوانین انجمن و تجسم جغرافیایی قوانین انجمن کشف شده پیاده سازی شده است.

کار آینده ما بر جنبه های زیر متمرکز خواهد بود. اول، داده‌ها به مجموعه داده‌های بزرگ‌تر با ویژگی‌های مخزن بیشتر، مانند خواص فشار و سیال، و سوابق عملیاتی، مانند سوابق تولید شن و ماسه نفت، گسترش خواهند یافت. روش خوشه‌بندی K-means فقط به حداقل محلی و نه به حداقل جهانی همگرا می‌شود. بنابراین، در آینده رویکردهای بهینه سازی k-means برای این کاربرد بیشتر مورد مطالعه قرار خواهد گرفت. سایر روش‌های طبقه‌بندی یا خوشه‌بندی بدون نظارت که احتمالاً برای مجموعه داده مناسب‌تر هستند نیز مورد بررسی قرار خواهند گرفت. علاوه بر این، روش مبتنی بر نقطه و مبتنی بر سطح بیشتر بهبود خواهد یافت. ما طرح طبقه‌بندی روش نقطه‌محور را غنی‌سازی می‌کنیم و عمیقاً تأثیر جهت فضایی بر وابستگی فضایی ویژگی‌های داده نفت و گاز را برای روش تجسم زمین مبتنی بر سطح مطالعه می‌کنیم. در نهایت، روش‌های ژئوتصویرسازی مبتنی بر نقطه و سطح پیشنهادی به قوانین تداعی چندگانه گسترش خواهند یافت.

منابع

اولیا، ا. کیت، سل؛ Maulut، MS; الخطیب، ن. Jasamai، M. داده کاوی هوشمند میدان نفتی برای تجزیه و تحلیل مخزن. بین المللی J. Eng. تکنولوژی 2010 ، 10 ، 78-88. [ Google Scholar ]
کای، ی. هو، ک. Wang, X. یافتن روابط بین ویژگی های مخزن و تولید نفت برای تولید سرد. در مجموعه مقالات سی و دومین سمپوزیوم سالانه و کارگاه پروژه مشترک آژانس بین المللی انرژی در مورد افزایش بازیابی نفت، وین، اتریش، 17 تا 19 اکتبر 2010.
کای، ی. وانگ، ایکس. هو، ک. Dong, M. یک رویکرد داده کاوی برای یافتن روابط بین خواص مخزن و تولید روغن برای chops. محاسبه کنید. Geosci. 2014 ، 73 ، 37-47. [ Google Scholar ] [ CrossRef ]
وانگ، بی. وانگ، ایکس. Chen, Z. چارچوب ترکیبی برای توصیف مخزن با استفاده از رتبه بندی فازی و شبکه عصبی مصنوعی. محاسبه کنید. Geosci. 2013 ، 57 ، 1-10. [ Google Scholar ] [ CrossRef ]
آگراوال، آر. ایمیلینسکی، تی. Swami، AN Mining قوانین ارتباط بین مجموعه ای از آیتم ها در پایگاه های داده بزرگ. در مجموعه مقالات کنفرانس بین المللی ACM SIGMOD در مدیریت داده ها، واشنگتن، دی سی، ایالات متحده آمریکا، 25-28 مه 1993.
آگراوال، آر. Srikant، R. الگوریتم های سریع برای قوانین انجمن معدن. در مجموعه مقالات بیستمین کنفرانس پایگاه های داده بسیار بزرگ، سانتیاگو، شیلی، 12 تا 15 سپتامبر 1994.
آنوین، ا. هافمن، اچ. برنت، ک. طرح دو کلیدی برای کنترل قوانین ارتباط چندگانه. در مجموعه مقالات پنجمین کنفرانس اروپایی اصول داده کاوی و کشف دانش، فرایبورگ، آلمان، 3 تا 5 سپتامبر 2001.
یانگ، ال. تجسم مجموعه آیتم های مکرر، قوانین تداعی، و الگوهای متوالی در مختصات موازی. در مجموعه مقالات علوم محاسباتی و کاربردهای آن (ICCSA 2003)، مونترال، QC، کانادا، 18-21 مه 2003.
کلمتتینن، ام. مانیلا، اچ. رونکاینن، پی. تویوونن، اچ. Verkamo، AI یافتن قوانین جالب از مجموعه بزرگی از قوانین مرتبط کشف شده. در مجموعه مقالات کنفرانس مدیریت اطلاعات و دانش، Gaithersburg، MD، ایالات متحده آمریکا، 29 نوامبر تا 2 دسامبر 1994.
Rainsford، CP; Roddick, JF تجسم قواعد ارتباط بازه زمانی. در مجموعه مقالات دومین کنفرانس بین المللی مهندسی داده های هوشمند و یادگیری خودکار، داده کاوی، مهندسی مالی و عوامل هوشمند، هنگ کنگ، چین، 13 تا 15 دسامبر 2000.
بونو، پی. قوانین ارتباط Costabile، MF Visualizing در چارچوبی برای داده کاوی بصری. از انتشارات و سیستم های اطلاعاتی یکپارچه تا اطلاعات مجازی و محیط های دانش ; Springer: برلین، آلمان، 2005; صص 221-231. [ Google Scholar ]
ارتک، جی. Demiriz, A. چارچوبی برای تجسم نتایج حاصل از کاوی انجمن. در مجموعه مقالات سمپوزیوم بین المللی علوم کامپیوتر و اطلاعات، پترزبورگ، روسیه، 8 تا 12 ژوئن 2006.
هاسلر، ام. Chelluboina، S. تجسم قوانین انجمن در گروه های سلسله مراتبی. در مجموعه مقالات چهل و دومین سمپوزیوم در مورد رابط: الگوریتم های آماری، یادگیری ماشین و تجسم (رابط 2011)، کری، NC، ایالات متحده، 1 تا 3 ژوئن 2011.
MacEachren، AM; Kraak، MJ تجسم نقشه برداری اکتشافی: پیشبرد دستور کار. محاسبه کنید. Geosci. 1997 ، 23 ، 335-343. [ Google Scholar ] [ CrossRef ]
لام، NS روش های درونیابی فضایی: یک بررسی. در The American Cartographer ; دانشگاه میشیگان: Ann Arbor, MI, USA, 1983; صص 129-149. [ Google Scholar ]
Aoidh, EM; مارتینسون، جی تی. Maes، GE; کاریانی، ع. نیلسن، EE در حال کاوش در نمادشناسی ژئو تجسم برای ژنتیک منظره. ترانس. GIS. 2013 ، 17 ، 267-281. [ Google Scholar ] [ CrossRef ]
Gienko، GA; Terry, JP Geovisualization رفتار طوفان گرمسیری در اقیانوس آرام جنوبی. جئول Soc. مشخصات انتشار 2012 ، 361 ، 195-208. [ Google Scholar ] [ CrossRef ]
مارکو، وی. والنتینا، سی. گسسته‌سازی معنی‌دار ویژگی‌های پیوسته برای استخراج قوانین انجمن با استفاده از SOM. در مجموعه مقالات سمپوزیوم اروپایی در مورد شبکه های عصبی مصنوعی (ESANN ’04)، بروژ، بلژیک، 28-30 آوریل 2004.
داده های Divestco در دسترس آنلاین: http://www.divestco.com/getdoc/14af7505-8813-406e-b8b7-757f9a751ff5 (در 6 ژانویه 2014 دسترسی پیدا کرد).

شکل 1. نمودار جریان ژئو تجسم مبتنی بر سطح.

شکل 2. ابرهای نیمه واریوگرام حجم منافذ تجمعی در یک منطقه.

شکل 3. معماری نمونه اولیه ARM-GEOVIZ.

شکل 4. رابط کاربری گرافیکی اصلی نمونه اولیه ARM-GEOVIZ. ( الف ) رابط های گرافیکی اصلی نمونه اولیه سیستم ARM-GEOVIZ. ( ب ) رابط کاربر استخراج قانون انجمن.

شکل 5. توزیع جغرافیایی 118 چاه مورد مطالعه در آلبرتا، کانادا.

شکل 6. سه پارامتر مورد استفاده برای توصیف عملکرد تولید نفت چاه های CHOPS (برگرفته از [ 3 ]).

شکل 7. تجسم قاعده IF {حجم منافذ تجمعی = 168.8-291.2} سپس {بازده موثر = 808.2-1452.9 m3 ^} که توسط ژئوویژوالیشن مبتنی بر نقطه ایجاد می‌شود. ( الف ) نمای بزرگ شده جزئی از تجسم.

شکل 8. ابرهای نیمه واریوگرام ( a ) تخلخل تجمعی. و ( ب ) بازده موثر داده های CHOPS.

شکل 9. تجسم زمین مبتنی بر سطح بر اساس درون یابی Spline IF {تخلخل تجمعی = 25.3%–38.5%} سپس {بازده موثر = 808.2–1452.9 m3 ^} .

شکل 10. تجسم زمین مبتنی بر سطح بر اساس درون یابی IDW IF {تخلخل تجمعی = 25.3%–38.5%} سپس {بازده موثر = 808.2–1452.9 m3 ^} .

شکل 11. زمین تجسمی مبتنی بر سطح بر اساس درون یابی روند IF {تخلخل تجمعی = 25.3%–38.5%} سپس {بازده موثر = 808.2–1452.9 m3 ^} .

شکل 12. نقشه پیش‌بینی ایجاد شده توسط ژئوویژوال‌سازی مبتنی بر سطح بر اساس درون‌یابی کریجینگ IF {تخلخل تجمعی = 25.3%–38.5%} سپس {بازده موثر = 808.2–1452.9 m3 ^} .

شکل 13. نقشه های خطای پیش بینی ( a ) مورد مقدم قانون (تخلخل تجمعی). و ( ب ) نتیجه قاعده (بازده موثر).

جدول 1. نتایج گسسته سازی پارامترهای عملکرد تولید نفت.

جدول 2. نتایج گسسته سازی پارامترهای ویژگی مخزن.

جدول 3. برخی از قوانین مربوط به حجم منافذ تجمعی و عملکرد موثر یافت شده است.

جدول 4. اعتبارسنجی متقابل نتایج درونیابی قطعی.

© 2017 توسط نویسندگان. دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) ( http://creativecommons.org/licenses/by/4.0/ ) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب