(1) | k = 1014.24 \cdot FZI^2 \cdot \frac{\phi^3}{( 1 - \phi )^2} |
where
with Flow Zone Indicator having a ANN dependance on porosity and shaliness:
(2) | FZI(V_{sh},\phi_r) = {\rm w}_1(V_{sh}) \, \phi_r^{m_1} + {\rm w}_2(V_{sh}) \, \phi_r^{m_2} |
for each lithofacies individually.
Нейросетевая модель проницаемости основывается на универсальной нейросетевой регрессии динамического индекса пород
FZI на глинистость
V_{sh} и нормализованную пористость
\phi_r:
Artificial Neural Network permeability model
(3) | \{ V_{sh}, \phi_r \} \rightarrow {\rm Neural Network} \rightarrow FZI |
Она в состоянии описать более сложные виды зависимости, чем двух-компонентная модель Кармана-Козени (2).
Однако, как и все виды виды универсальных регрессий, эта модель требует достаточного количества репрезентативного исходного материала по каждой литофации, для настройки коэфициентов регрессии (в данном случае для обучения нейронной сети).
See also
Petroleum Industry / Upstream / Subsurface E&P Disciplines / Petrophysics / Absolute permeability / Absolute permeability @model