Dadaş şeylinin porozite miktarının derin öğrenme modeli ile tahmin edilmesi

Ankonvansiyonel hidrokarbon arama ve üretim faaliyetleri her geçen gün yatay sondaj, hidrolik çatlatma ve yapay zeka teknolojileri ile artmaktadır. Şeyllerin porozite miktarları, ankonvansionel rezervuarlarda hidrolik çatlatma ve sondaj öncesinde potansiyel alanların belirlenmesinde, hatta hangi seviyelerin üretim için uygun olduğunun belirlenmesinde önemli parametrelerden birisidir. Bu çalışmada, Dadaş şeylinin porozite miktarı tahmini daha ekonomik ve hemen kullanılabilir verilerden tahmin etmek için veri odaklı makine öğrenimi yöntemi kullanılmıştır. Bunun için öncelikle dünyada iyi bilinen şeyllerden oluşturulan veri seti ile bir model oluşturulmuştur. Daha sonra Dadaş şeylinin XRD analizi verileri (Kuvars, Feldspat, Karbonat, Kil) ve Piroliz (TOK) verilerinden oluşan bir tahmin veri seti oluşturulmuştur. Bu tahmin veriseti Doğan-1, K. Migo-2, Soğuktepe-1, Derindere-1, Akçay-1, Hançerli-3, Abdülaziz-1, B. Azıklı-1, Telhasan-1, Çalıktepe-2 ve Diyarbakır 1 kuyularınından 149 örneğin analizinden oluşmaktadır. Tensorflow-Keras kütüphanesi ile 512, 256, 128, 64 ve 64 nöron ve 5 katmanlı yapay sinir ağı (YSA) ile yapılan eğim ve test çalışmasında en iyi ortalama hata geçmişi elde Ankonvansiyonel hidrokarbon arama ve üretim faaliyetleri her geçen gün yatay sondaj, hidrolik çatlatma ve yapay zeka teknolojileri ile artmaktadır. Şeyllerin porozite miktarları, ankonvansionel rezervuarlarda hidrolik çatlatma ve sondaj öncesinde potansiyel alanların belirlenmesinde, hatta hangi seviyelerin üretim için uygun olduğunun belirlenmesinde önemli parametrelerden birisidir. Bu çalışmada, Dadaş şeylinin porozite miktarı tahmini daha ekonomik ve hemen kullanılabilir verilerden tahmin etmek için veri odaklı makine öğrenimi yöntemi kullanılmıştır. Bunun için öncelikle dünyada iyi bilinen şeyllerden oluşturulan veri seti ile bir model oluşturulmuştur. Daha sonra Dadaş şeylinin XRD analizi verileri (Kuvars, Feldspat, Karbonat, Kil) ve Piroliz (TOK) verilerinden oluşan bir tahmin veri seti oluşturulmuştur. Bu tahmin veriseti Doğan-1, K. Migo-2, Soğuktepe-1, Derindere-1, Akçay-1, Hançerli-3, Abdülaziz-1, B. Azıklı-1, Telhasan-1, Çalıktepe-2 ve Diyarbakır 1 kuyularınından 149 örneğin analizinden oluşmaktadır. Tensorflow-Keras kütüphanesi ile 512, 256, 128, 64 ve 64 nöron ve 5 katmanlı yapay sinir ağı (YSA) ile yapılan eğim ve test çalışmasında en iyi ortalama hata geçmişi elde edilmiştir. Bu yapay sinir ağları (YSA) parametrelerini kullanarak oluşturulan modelde tahmin edilen porozite ile gerçek porozite arasındaki lineer korelasyon katsayısı R2=0.96 kadar yüksek tahmin edilmiştir. Jupiter Notebook üzerinden Pyhton 3 kodlama dili ile oluşturduğumuz model yeniden yüklenerek bu modele tahmin veri seti girilmiş ve kuyularındaki Dadaş şeylinin porozite miktarları başarılı bir şekilde tespit edilmiştir