Hamada GM*, Al-Gathe AA et Al-Khudafi AM
Le défi de déterminer la saturation en eau précise est toujours d'actualité dans le domaine de l'ingénierie pétrolière. La difficulté de ce problème augmentera si nous traitons des roches carbonatées. Il existe certaines techniques disponibles utilisées pour déterminer la saturation en eau. Cependant, la précision de ces techniques est devenue incapable de trouver les meilleurs résultats. Plusieurs techniques disponibles ont été utilisées pour estimer la saturation en eau, telles que les méthodes conventionnelles, CAPE (a, m, n), CAPE (1, m, n) et 3D. Actuellement, les réalisations des techniques d'intelligence artificielle (IA) ouvrent à elles seules la porte à l'utilisation du système hybride tel que (PSONN). Dans ce modèle, la technique d'optimisation par essaim de particules (PSO) est utilisée pour rechercher les poids et les seuils de connexion optimaux pour les réseaux neuronaux (NN), puis la règle d'apprentissage par rétropropagation et l'algorithme de formation sont utilisés pour ajuster les poids finaux. Un total d'environ 383 points de données obtenus à partir des mesures en laboratoire des propriétés électriques des bouchons de carottes de carbonate du réservoir du Moyen-Orient ont été utilisés pour la mise en œuvre de la technique proposée. L'analyse statistique et l'étude comparative montrent que les performances du modèle PSONN sont les meilleures avec une erreur quadratique moyenne inférieure (0,092) et une précision du coefficient de corrélation supérieure (0,95) à celles obtenues avec les méthodes précédentes. Les résultats ont montré que le nouveau modèle hybride PSONN surpasse certaines méthodes disponibles et surmonte la faiblesse si nous utilisons l'IA seule. L'analyse des erreurs montre que les méthodes CAPE et 3-D et PSONN garantissent une erreur minimale des valeurs de saturation en eau.