(1)	$\begin{array}{l}\displaystyle k = 1014.24 \cdot FZI^2 \cdot \frac{\phi^3}{( 1 - \phi )^2}\end{array}$

where

$\begin{array}{l}\phi\end{array}$	effective porosity
$\begin{array}{l}FZI\end{array}$	Flow Zone Indicator

with Flow Zone Indicator having a ANN dependance on porosity and shaliness:

(2)	$\begin{array}{l}\displaystyle FZI(V_{sh},\phi_r) = {\rm w}_1(V_{sh}) \, \phi_r^{m_1} + {\rm w}_2(V_{sh}) \, \phi_r^{m_2}\end{array}$

for each lithofacies individually.

Нейросетевая модель проницаемости основывается на универсальной нейросетевой регрессии динамического индекса пород $\begin{array}{l}FZI\end{array}$ на глинистость $\begin{array}{l}V_{sh}\end{array}$ и нормализованную пористость $\begin{array}{l}\phi_r\end{array}$ :

Artificial Neural Network permeability model

(3)	$\begin{array}{l}\displaystyle \{ V_{sh}, \phi_r \} \rightarrow {\rm Neural Network} \rightarrow FZI\end{array}$

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).

Page tree

Artificial Neural Network permeability model

See also

Page tree

ANN permeability @model

Artificial Neural Network permeability model

See also