سال انتشار: ۱۳۹۱

محل انتشار: اولین کنفرانس بین المللی نفت، گاز، پتروشیمی و نیروگاهی

تعداد صفحات: ۱۲

نویسنده(ها):

علی اسعدی – دانشجوی زمین شناسی نفت دانشگاه تهران
علی کدخدایی – دکتری زمین شناسی نفت
ابراهیم سفیداری – دانشجوی زمین شناسی نفت

چکیده:

یکی از اجزای مهم در سرشت نمایی مخزن تهیه نقشه ای از توزیع خصوصیات و ناهمگنی های مخزنی است. مخازن کربناته به دلیل پیچیدگی و ناهمگنی بالا در مقایسه با آواری ها، نیاز به استفاده از روش های گوناگون و جدید به منظوردرک بهتر آنها ضروری است. در میان این روش ها استفاده از روش های هوشمند به عنوان یکی از شیوه های مناسب در شناخت روابط پیچیده بین متغیر ها، بسیار موثر و کارآمد است. با وجود لاگ های مرسوم چاه، شبکه های عصبی مصنوعیقادر به شناسایی روابط پیچیده بین لاگ ها و خصوصیات مخزنی می باشدبا این پیش فرض دو روش مختل ف به منظور کاهش ابهام وپیچیدگی، در سرشت نمایی مخزن استفاده گردید. روش اول استفاده ازشبکه های عصبی غیر نظارتی بر اساس الگوریتم خود سازماندهSOM) به منظور شناسایی و تعیین رخساره لاگ است. این روش دسته بندی نیاز به هیچ تقسیم بندی اولیه مجموعه داده ها نداشته و به طور طبیعی بر اساس مشخصات مشابه لاگ های اندازه گیری شده که منعکس کننده پاسخ به تغییرات کانی شناسی و سنگ شناسی توالی لاگ گیری شده است، داده ها را طبقه بندی می کندروش دوم استفاده از یک شبکه عصبی نظارتی بر اساس الگوریتم پس انتشارBP) بوده تا به طور کمی تخلخل و تراوایی را در درون یک رخساره لاگ مشخص،که در مرحله اول تعیین شده بود پیش بینی کند بر اساس نقشه تخلخل و تراوایی در عمق های مختلف، مخزن مورد نظر، بر اساس کیفیت مخزنی به ۶ رخساره لاگ تقسیم بندی گردید. این رخساره های لاگ از نظر کیفیت مخزنی به ترتیب از خیلی خوب تا ضعیف به صورت، رخساره لاگ ۵ با بهترین کیفیت مخزنی ،رخساره ۴ با کیفیت مخزنی خوب،رخساره ۶ با کیفیت مخزنی متوسط و رخساره ۱،۲ و ۳ با کیفیت مخزنی بد یا بدون کیفیت مخزنی مرتبه بندی گردید