سال انتشار: ۱۳۹۱

محل انتشار: شانزدهمین همایش انجمن زمین شناسی ایران

تعداد صفحات: ۸

نویسنده(ها):

علی محمد نصیری – دانش آموخته کارشناسی ارشد، زمین شناسی، گرایش نفت، دانشگاه آزاد اسلام
بهرام موحد – رئیس اداره پتروفیزیک شرکت نفت و گاز پارس جنوبی.
علی محمد باقری – کارشناس ارشد پژوهشگاه صنعت نفت
ابراهیم مهدوی – دانش آموخته کارشناسی ارشد، زمین شناسی، گرایش نفت، دانشگاه آزاد اسلام

چکیده:

زون بندی سازندها در مطالعات مخزنی یکی از اصلیترین اولویتهای این مطالعات است. با توجه به اینکه دادههای مغزه تنها در چاههای محدودی وجود دارند، این نوع مطالعات اغلب با استفاده از دادههای لاگ انجام میگیرد. تعیین رخسارههای الکتریکی (رخساره لاگ) امروزه یکی از معمولترین روشهای زونبندی مخزنی است. این رخسارهها بر حسب نوع دادههای ورودی (لاگهای مختلف) میتواند زونهایی با خاصیت خاص شناسایی و از سایر بخشها متمایز نمایند. جهت تعیین رخسارههای لاگ روشهای متفاوتی وجود دارد. مطالعات گوناگون نشان داده اند که آنالیز خوشهای (Cluster analysis) یکی از بهترین روشها جهت تعیین این رخسارهها میباشد. روشهای خوشه بندی پویا و خوشهبندی پیوسته به عنوان دو روش شناخته شده در بسیاری از مطالعات به کار میروند اما هیچ یک توانایی تعیین بهترین تعداد خوشهها را ندارند.خوشهبندی بر پایه نمودار چند بعدی این مشکل را برطرف نموده اما همچنان حجم بالای دادهها و تراکم نقاط سبب میگردد تا این روش نیز در مواردی دچار اشتباه گردد. در این روش علاوه بر دو روش فوق از روشهای خوشهسازی بر پایه نقشه خود سازمانده و خوشه سازی پویا نیز استفاده گردید. جهت بررسی صحت نتایج از لاگهایی که بطور عمده تحت تاثیر لیتولوژی هستند استفاده شده تا رخسارههای حاصل تطابق بالایی با لیتولوژی سارندها داشته باشند. در این مطالعه از میان روشهای به کار گرفته شده روش MRGC مطلوبترین پاسخ جهت تعیین رخساره الکتریکی را ارائه نمود. Reservoir zonation is one of the most important tasks in reservoir studies. This task usually is done basedon log data due to lack of cores in most wells. Electro-facies (EF) determination is one of the most routine ways in reservoir zonation. Several studied have been showed that cluster analysis in the best method for EF determination. Ascendant hierarchical (AHC) and dynamic clustering (DC) are two routine ways but they can not recognize optimum number of facies. Multi resolution graphic based clustering (MRGC) solved the problem but huge data volume results to pseudo local cluster placement. This study combines AHC and MRGC methods to solve this problem. AHC reduce data volume at first and then MRGC determine the final clusters. As this study is done for the first time, logs that are affected mostly by lithology are involved for log-core correlation. Through these methods as run, MRGC has the best response and resolution of electrofacies.