Özet
Doğrusal olmayan ilişkileri tespit etmedeki etkinlikleri nedeniyle petrofiziksel parametreleri tahmin etmek için Makine Öğrenmesi (MO) yaklaşımlarının kullanımı giderek yaygınlaşmaktadır. Formasyon direnci (RT), jeofiziksel ve jeolojik uygulamaları önemli ölçüde etkileyen kritik bir petrofiziksel parametredir. Ancak MO algoritmalarının RT tahmininde etkili olduğu gösterilse de, çok sayıda çalışmada, özellikle heterojen rezervuarlardaki karmaşık ilişkilerin ele alınmasında çeşitli sınırlamalar tespit edilmiştir. Bu çalışma, Libya’daki Nubian rezervuarından elde edilen verileri kullanarak RT tahmini için iki yenilikçi hibrit MO çerçevesi önermektedir. Birincil hibrit model (ELM-RBF), Aşırı Öğrenme Makinesi’ni (ELM) Radyal Temel Fonksiyon (RBF) ağıyla entegre ederken, ikincil hibrit model (MLP-GPR), Çok Katmanlı Perseptron’u (MLP) Gauss Süreci Regresörü (GPR) ile birleştirir. Tüm algoritmalar Izgara Arama Optimizasyonu (GSO) yoluyla titizlikle optimize edilmiştir. Modeller, karşılık gelen bağımsız modellerle karşılaştırılarak değerlendirilmiştir. Model geliştirme öncesinde, veri kalitesini artırmak için yeni bir gürültü giderme sürecini de içeren kapsamlı bir veri ön işleme akışı uygulanmıştır. Önerilen hibrit modeller, bağımsız modellere kıyasla daha üstün tahmin doğruluğu ve tutarlılığı sergilemektedir. Genelleyebilirlik performansındaki iyileşme ve aşırı uyumun azalması, Genelleyebilirlik Aralığı (GG), Genelleyebilirlik Hata Oranı (GER) ve Normalleştirilmiş Kök Ortalama Kare Hata (NRMSE) gibi çoklu değerlendirme metrikleriyle doğrulanmıştır. Topluluk tabanlı belirsizlik ölçümü ayrıca hibrit modellerin daha düşük tahmin belirsizliğine ve artan sağlamlığına işaret etmektedir. Ek olarak, Gen İfade Programlama (GEP) kullanılarak RT tahmini için yeni bir ampirik denklem geliştirilmiştir; bu denklem, hibrit modellerin uygulanmasının zor olabileceği çalışma alanı ve komşu bölgelerde RT tahmini için bir referans sağlamaktadır.
1 Giriş
Formasyon direnci, bir formasyonun elektrik akımının akışına ne ölçüde karşı koyduğunu gösteren bir malzeme özelliğidir. Genellikle ohm-metre (Ω.m) birimleriyle ölçülür (Ibrahim ve diğerleri, 2022; Amir H. S. ve diğerleri, 2025; Li ve diğerleri, 2026). Formasyon direnci, çeşitli jeolojik ve jeofiziksel modellerde ve araştırmalarda geniş uygulama alanına sahip olması nedeniyle petrofiziksel tahminin en kritik unsurlarından biri olarak kabul edilir (Hu ve diğerleri, 2021). Ayrıca, petrol ve gaz rezervuarlarında sondaj sırasında karşılaşılan formasyonlar arasında bağlantılar kurmak için sıklıkla niteliksel olarak kullanılır; aynı zamanda rezervuarın bileşimi hakkında da bazı bilgiler sağlar (Aghli ve diğerleri, 2020; Ibrahim ve diğerleri, 2022). Dahası, formasyon direnci, hidrokarbon içeren bölgeleri su içerenlerden ayırmak için kullanılabilir (Shankar ve Riedel, 2011; Riedel ve Shankar, 2012). Ek olarak, porozite ve direnç kayıtlarını entegre ederek gözenek basıncı tahmini gibi özellikleri belirlemek için de kullanılabilir (Osarogiagbon ve diğerleri, 2021; Negm ve diğerleri, 2026). Ayrıca, direnç kayıtlarının kullanımı gözenek yapısı özelliğini, düşük dirençli petrol ve gaz rezervuarlarına uygulamayı (Yin ve diğerleri, 2023) ve hidravlik çatlatma modellemesini de kapsayacak şekilde genişletilmiştir (Wu ve diğerleri, 2019). Direnç kayıtlarının belirtilen faydaları ve rezervuar analizindeki yaygın kullanımı göz önüne alındığında, yüksek kaliteli analizler elde etmek için direnç araçlarının mevcudiyeti zorunlu hale gelmiştir. Direnç kuyu kaydı, kuyu deliğinden uzaklığı artırmak amacıyla üç farklı mesafede (yüzey, orta ve derin) gerçekleştirilebilir (Ibrahim ve diğerleri, 2022; Reda ve diğerleri, 2025; Amir ve diğerleri, 2026).
Kullanımda birden fazla kayıt ölçüm yaklaşımı bulunmaktadır ve bunların hepsi aynı temel sistemin farklı versiyonlarıdır: Bir yayıcı, bir elektrot veya bobin olabilir ve formasyona bir sinyal, yani elektrik akımı veya elektromanyetik alan gönderir; bir alıcı ise ya bir elektrot ya da bir bobin olup, yayıcıdan belirli bir mesafedeki formasyonun tepkisini algılar ve ölçer. Genel olarak, sistemin aralığının genişletilmesi daha derin bir inceleme imkanı sağlarken, dikey çözünürlükten fedakarlık edilmesine neden olur (

). Formasyon direncinin belirlenmesini etkileyen ve gerçek direnç okumalarının doğruluğunu azaltan çok faktör bulunmaktadır; örneğin, hedef rezervuarlardaki mekanik sorunlar, örneğin patlamalar, şist kaymaları ve çamur kaybı, gürültü seviyelerini artırabilir ve veri kalitesiyle ilgili endişeleri yükseltebilir (
). Ancak, eski kuyularda direnç kayıtlarının bulunmaması veya çeşitli sorunlar nedeniyle belirli kesimlerde ve aralıklarda veri eksikliği, örneğin kayıplar veya zayıf kuyu koşulları, ayrıca aracı çalıştırmanın artan maliyeti, birçok araştırmacıyı porozite, yoğunluk, sonik ve gama-ışını kayıtları gibi mevcut diğer kuyu kayıtlarını kullanarak direnci tahmin etmek için çeşitli ampirik denklemleri kullanmaya yöneltmiştir. En yaygın kullanılan ampirik yöntemlerden biri Archie denklemidir (
). Denklemin ana bileşeni, formasyon direncini porozite, formasyon su direnci ve Archie sabiti parametrelerine (a, m ve n) dayanarak belirlemektir. Denklem, özellikle temiz kumtaşı formasyonlarında oldukça güvenilir sonuçlar vermiştir. Ayrıca, yığın yoğunluğu ve sonik kayıtlar kullanılarak çoklu ampirik formüller geliştirilmiştir (
Temel Bulgular ve Genel Değerlendirme
Beyanlar
Üretken Yapay Zeka beyanı
Yazar(lar), bu makalenin oluşturulmasında üretken yapay zekanın kullanılmadığını beyan etmiştir.
Bu makaledeki şekillerin yanında sağlanan herhangi bir alternatif metin (alt metin), Frontiers tarafından yapay zeka desteğiyle oluşturulmuştur ve yazarlar tarafından mümkün olduğunca incelenmesi de dahil olmak üzere doğruluğu sağlamak için makul çabalar gösterilmiştir. Herhangi bir sorun tespit ederseniz lütfen bizimle iletişime geçin.
Yayıncının notu
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kuruluşların, yayıncının, editörlerin ve hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.
Özet
Anahtar Kelimeler
formasyon direnci, hibrit makine öğrenmesi, petrofiziksel parametre, rezervuar karakterizasyonu, belirsizlik ölçümü
Atıf
Amir MA, Amir HS, Almazroui M, Ali R, Niaz R, Rashid IU, Salah A ve Elhag M (2026) A hybrid machine learning framework for accurate petrophysical prediction: application to formation resistivity in the Nubian reservoir. Front. Earth Sci. 14:1964999. doi: 10.3389/feart.2026.1964999
Alındı
11 Ağustos 2026
Revize edildi
22 Ekim 2026
Kabul edildi
30 Ekim 2026
Yayınlandı
17 Kasım 2026
Cilt
14 – 2026
Faisal Ur Rahman Awan, Commonwealth Scientific and Industrial Research Organisation (CSIRO), Avustralya
Zhongwei Wu, Yangtze Üniversitesi, Çin
Zhengzheng Cao, Henan Polytechnic Üniversitesi, Çin
© 2026 Amir, Amir, Almazroui, Ali, Niaz, Rashid, Salah ve Elhag.
Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazar(lar) ve telif hakkı sahibi(leri) belirtilip bu dergideki orijinal yayına kabul edilen akademik uygulamalara uygun olarak atıf yapıldığı sürece, diğer platformlarda kullanımı, dağıtımı veya çoğaltılması mümkündür. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltma izni verilmemektedir.
*İletişim: Mohamed Elhag, melhag@kau.edu.sa, melhag@uth.gr, melhag@aircas.ac.cn
ORCID: Mohammed A. Amir, orcid.org/0009-0009-6036-3042; Hamzah S. Amir, orcid.org/0009-0000-0350-0818; Ahmad Salah, orcid.org/0000-0001-7363-6542
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek iddialar yayıncı tarafından garanti edilmez veya onaylanmaz.


Bu gelişme hakkında düşüncelerinizi, donanım deneyimlerinizi veya sorularınızı Topluluk Forumumuzda paylaşın.
Foruma Katıl & Yanıtla ➔




İlk yorumu siz yazın
Fikrinizi bir kaynak, soru veya yapıcı karşı görüşle geliştirin.