به گزارش نسیم اقتصاد به نقل از روابط عمومی شرکت ملی حفاری ایران، حسن باقری روز چهارشنبه (17 اردیبهشت 1404) درباره  انتشار این مقاله توضیح داد: مقاله تحت عنوان پیش بینی رخساره شکستگی های سنگ مخزن با استفاده از الگوریتم های یادگیری ماشین و نمودار تصویرگر FMI در سایت و مرجع معتبر مقالات الزویر (Elsevier) و همچنین ژورنال تخصصی در علوم مهندسی نفت تحت عنوان Petroleum Research با درجه ISI-Q1 منتشر گردید.
 
این پژوهشگر شرکت ملی حفاری ایران با بیان اینکه مقاله انتشار یافته پیرامون مباحث کاربردی و تخصصی در زمینه مطالعات مهندسی نفت و پتروفیزیک به خصوص در چاه های توصیفی و اکتشافی است، گفت: مطالعه شکستگی های سنگ مخزن به ویژه در کشور ما که بخش اعظم میادین نفتی گازی را سنگ های مخزن کربناته با طیف گسترده ای از انواع شکستگیها با مقیاس های مختلف را شامل می شود، اهمیت ویژه ای دارد.
 
باقری که خود دانشجوی مقطع دکتری مهندسی نفت است، افزود: شکستگی های باز سنگ مخزن یکی از عوامل بسیار مهم در تولید و بهره برداری از سنگ مخزن است و مطالعه ویژگیهای این شکستگیها از قبیل شیب، آزیموت، امتداد، چگالی، میزان بازشدگی و .... از کلیدی ترین پارامترها در تصمیم گیری عیار سنگ مخزن جهت بهره برداری می باشد. تعیین رخساره شکستگیها که شامل فواصلی از سنگ مخزن است و به عنوان زون های شکسته شده و یا زون های دارای شکستگی می باشند، تنها با استفاده از مطالعه نمودارهای تصویرگر (Image Log) و در کنار آن اطلاعات مغزه حفاری در یک چاه صورت می گیرد و در مقاله حاضر با استفاده از روش های هوش مصنوعی و به طور ویژه الگوریتم های یادگیری ماشین (Machine Learning) رخساره شکستگی ها در چاه هایی که فاقد اطلاعات نمودار تصویری یا اطلاعات مغزه حفاری بودند با دقت بسیار خوبی پیش بینی شدند.
 
کارشناسان اداره نمودارگیری مدیریت خدمات ویژه شرکت ملی حفاری ایران با بیان اینکه در تهیه این مقاله دکتر رضا محبیان از اساتید مجرب دانشگاه تهران همکاری داشتند، اظهار کرد: هوش مصنوعی و به ویژه الگوریتم های یادگیری ماشین و یادگیری عمیق ابزاری بسیار کاربردی در صنایع مختلف خاصه در صنعت نفت است که می تواند با مدیریت مناسب، به حل مسائل بسیار پیچیده ای در مطالعات مهندسی نفت از اکتشاف، حفاری، مطالعات مخزن تا بهره برداری کمک شایانی داشته باشد.