کاربرد هوش مصنوعی در علم پزشکی

[ستاره صبح امید]

کاربرد هوش مصنوعی در علم پزشکی

آشنايي با هوش مصنوعي در مشخصه سازي و مدل سازي مخازن شکافدار طبيعي
● واژگان:
▪ شکاف:
هرگونه شکست يا جداشدگي در سنگ را گويند که در نتيجه ي عواملي چون فشار سيال، تنش هاي لايه اي، تنش هاي تکتونيکي و غيره حاصل شود.
▪ مخازن شکافدار طبيعي :
ان دسته از مخازني را گويند که وجود شکاف در آنها نقش عمده اي (مثبت و يا منفي) در توليد سيال نفتي ايفا نمايد.
● لزوم مطالعه و مدل سازي مخازن شکافدار طبيعي:
مخازن شکافدار طبيعي از پيچيده ترين ساختارهاي زمين شناسي در علم مهندسي نفت و در عين حال از عمده ترين منابع توليد هيدروکربن در سراسر جهان و بالاخص کشورمان به حساب مي آيند، لذا مشخصه سازي و مدل سازي آن ها همواره محل چالش مهندسين نفت بوده است. وجود انبوهي از شبکه شکاف ها در اين گونه مخازن نقش بسزايي در هدايت سيالات نفتي به سمت چاه ها و نيز گاها ممانعت در امر توليد ايفا مي نمايد که خود سبب بروز فرضيات و سناريوهاي متعدد براي توليد بهينه ي اقتصادي از اين مخازن مي گردد. در عين حال دشواري هاي فراواني براي شناخت مخازن شکافدار طبيعي وجود دارد.
بايد توجه کرد که کسب اطلاعات از خصوصيات گوناگون سنگ و شکاف در اين گونه مخازن محدود به يک ابزار خاص نيست و نمي توان با بهره مندي از يک فن آوري مشخص، به تمام ابعاد و پيچيدگي هاي آنان پي برد. در واقع وسايل و ابزارآلات اندازه گيري خصوصيات در اين مخازن دامنه (scale) وسيعي را دربر مي گيرند. براي نمونه از خروجي هاي لرزه نگاري (seismic) براي شناسايي شکست هاي عمده (major faults) با ابعاد کيلومتري در مخزن مي توان استفاده کرد و در همين حال آزمايشات گوناگون بر روي مغزه (core) امکان بازشناسي ترک هاي بسيار کوچک در ابعاد ميليمتري را مهيا مي سازد.
بنابر اين جامعيت عملکرد مشخصه سازي در اين مخازن منوط به استفاده هوش مند و صحيح از اطلاعات بسيار متنوع موجود و در عين حال يافتن ارتباط (correlation) ميان چنين اطلاعاتي است. روش هاي مختلف مدل سازي مخازن استفاده هوش مند و تعيين رابطه ي ميان اطلاعات اخذ شذه از مخزن را برعهده دارند.
امروزه عمده روش هاي موجود براي مدل سازي مخازن شکافدار طبيعي استفاده از مفاهيم زمين آماري و مدل سازي فضايي خصوصيات مختلف سنگ و شکاف با بهره گيري از علم آمار مي باشد، اما محدوديت هاي موجود در برآورد ارتباط (correlation) ميان خصوصيات مختلف شکاف (از قبيل اندازه (size) ، شيب (orientation) ، دهانه (aperture) و ...) در علم زمين آمار، امکان استفاده ي حداکثر دو پارامتر و جستجوي ارتباط بين آن ها را به مهندس نفت مي دهد که خود عامل پيدا کاستي در مدل و سطحي بودن نتايج است.
● کاربرد هوش مصنوعي:
با ظهور مفاهيم هوش مصنوعي (AI) و بالاخص شبکه هاي عصبي مصنوعي (ANN) و کاربرد روزافزون آن در مباحث مختلف صنايع بالادستي نفت در سال هاي اخير، توجه بسياري از محققان براي بهره گيري از آن ها در مدل سازي مخازن شکافدار طبيعي جلب گرديده است. قابليت استفاده از ورودي هاي متنوع و بعضا متناقض (دقيقا مانند آنچه نتايج آزمايشات مختلف در ابعاد گوناگون در مخازن شکافدار طبيعي بدست مي دهند) و در آميختن هوش مند آن ها با استفاده از توابع وزن دار و بهينه سازي و خاصيت آموزش پذيري شبکه و در نهايت محدود نبودن توابع خروجي به مقاديري رياضي و فرموليزه، توانايي شبکه هاي عصبي مصنوعي را در مدل سازي دقيق تر و منطبق با واقعيات نشان مي دهد
● مراحل مشخصه سازي و مدل سازي:
بايد دقت داشت يکي از مهم ترين مراحل مدل سازي، مشخصه سازي خصوصيات و پارامترهاي گوناگون شکاف مي باشد. مشخصه سازي در واقع توليد روابط رياضي حاکم بر اين خصوصيات با استفاده از روش هاي آماري، زمين آماري و شبکه عصبي است.
● آناليز خواص شکاف ها با استفاده از هوش مصنوعي:
همانطور که پيشتر گفته شد، روش هاي آماري و زمين آماري تنها قادرند دو پارامتر را به طور همزمان آناليز کنند (با بهره گيري ازحداقل مربعات خطا، کريجينگ و واريوگرام) و آن هم به شرط يکنواختي توزيع آن ها. در مقابل منطق فازي و شبکه عصبي (FNN) محدوديتي در اين خصوص ندارند. مراحل زير براي مشخصه سازي سه بعدي دو پارامتر عمده ي مياني (تجمع شکاف ها (Fracture Intensity) و اندازه فراکتال (Fractal Dimension)) با استفاده از داده هاي محدود درون چاه انجام میگيرد:
۱) ابتدا مقادير دقيق پارامترهاي فوق الذکر در نقاطي از چاه که مغزه گيري شده است محاسبه مي شود.
۲) سپس با در نظر گرفتن نتايج نمودارگيري به عنوان داده هاي ثانوي شبکه اي عصبي ساخته مي شوند و يک توزيع دو بعدي از اين پارامترها در طول چاه به دست مي آيد.
۳) در مرحله پاياني براي حاصل شدن يک توزيع سه بعدي از اين دو پارامتر، اطلاعات لرزه نگاري و ديگر نتايج با ابعاد ميداني به عنوان داده هاي ثالثيه به يک شبکه عصبي جديد داده مي شود.
اما ترکيب بندي هر شبکه عصبي از اجزاي ثابتي تشکيل مي شود:
ـ حداقل سه لايه (ورودي، پنهان و خروجي) از نقاط (nodes)
ـ اوزان ارتباط دهنده آنان (nerves).
هدف از پروسه يادگيري در هر شبکه عصبي عبارتست از تغيير مداوم ضرايب وزن دار (Weighting Factors) جهت مينيمم سازي خطا در اطلاعات خروجي. تا کنون انواع گوناگوني از شبکه هاي عصبي بر اساس نحوه تعامل لايه هاي مختلف و بهينه سازي اوزان ارتباط دهنده ي آن ها معرفي شده اند.
نکته قابل توجه براي قابل اتکا بودن يک شبکه عصبي، لزوم وجود ارتباط ميان داده هاي ورودي و مقادير خروجي است. معمولا در ابتدا انبوهي از اندازه گيري ها و اطلاعات در اختيار است که شناسايي و طبقه بندي صحيح آن ها پيش از هر چيز لازم است. منطق فازي (Fuzzy Logic) ابزار مناسبي براي انجام اين مهم است. رتبه بندي ورودي ها (Input Ranking) پس از آموزش ديدن شبکه اعمال مي شود تا آن دسته از اطلاعات که ارتباط ناچيزي با خروجي دارند و يا به طور کل سبب انحراف شبکه مي شوند حذف گردند. طبقه بندي داده ها (Data Classification) وسيله ايست که جهت مقدار دهي به داده هاي توصيفي و پارامتريزه کردن آن ها استفاده مي گردد
در پايان ذکر اين نکته ضروريست که بهره گيري از قابليت هاي شبکه هاي عصبي مصنوعي و ديگر متعلقات هوش مصنوعي منوط به داشتن اطلاعات، داده ها و نتايج گسترده و وسيعي است، چرا که آموزش پذيري يک شبکه عصبي با افزايش تعداد مجموعه هاي ورودي-خروجي بهتر و علم ي تر مي گردد. همچنين اختصاص حجم مشخصي از اين داده ها براي تاييد اعتبار (Validation) شبکه عصبي آموزش ديده شده (معمولا ۲۰ درصد) ممکن است سبب کاهش قابل توجه دقت و صحت کارکرد خود شبکه شود. در حالي که هدف، دستيابي به کارآمدترين سناريو براي موقعيت يابي چاه هاي حفاري، روش هاي توليد از مخزن، به کار گيري راهکارهاي توسعه و صيانت از مخزن، و همچنين مطالعه ي فرآيندهاي ازدياد برداشت، در اولين گام هاي حيات مخزن مي باشد، نبود اطلاعات کافي در اين مقطع خود عامل منحرف کننده براي تصميم گيري هايي چنين است.
لذا بهره گيري حداکثري از فن آوري هاي موجود در مطالعه و ارزيابي ابتدايي مخزن، از قبيل مطالعات گسترده ي زمين شناسي، لرزه نگاري هاي ميداني، حفر چاه هاي اکتشافي و راندن ابزار نمودارگيري و مغزه گيري در آن ها، عامل افزايش کارکرد هوش مصنوعي در شبيه سازي ايستا و پويا از مخزن شکافدار خواهد بود.