برآورد تخلخل مؤثر در فضای بین چاه ها توسط دسته بندی نشانگرهای لرزه ای با الگوریتم آدابوست

Authors

  • بهزاد تخم چی دانشیار، دانشکده‌ مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود
  • پدرام ابراهیمی کارشناسی ارشد، دانشکده‌ مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود
  • کاظم سعیدی کارشناسی ارشد، دانشکده‌ مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود
Abstract:

تخلخل مؤثر یکی از خصوصیات مهم مخزن است؛ که مهندسان نفت همیشه به دنبال یافتن مدل مناسبی از نحوه توزیع این پارامتر در سنگ مخزن می­باشند. با توجه به این‌که خصوصیات پتروفیزیکی سنگ مخزن بسیار پیچیده است؛ بنابراین در چند دهه اخیر بکار گرفتن روش­های دسته­بندی در تخمین و مدل‌سازی این خصوصیات به یکی از موضوعات مهم در صنعت نفت تبدیل شده است. در این پژوهش با تلفیق نگارهای پتروفیزیکی، نشانگرهای لرزه­ای و به‌کارگیری الگوریتم آدابوست سعی شد تا مقدار تخلخل مؤثر در بلوک F3 بخش هلندی دریای شمال دسته­بندی شود. در مرحله اول پس از استخراج نشانگرهای لرزه­ای از مقطع دوبعدی لرزه­ای، توسط روش انتخاب ویژگی SFS، تعداد شش نشانگر لرزه­ای با تأثیر مثبت در فرآیند دسته­بندی مشخص گردید. این شش نشانگر لرزه­ای توسط داده­های تخلخل مؤثر دسته­بندی شده در موقعیت چاه برچسب‌گذاری شدند و برای آموزش الگوریتم آدابوست مورد استفاده قرار گرفتند. این آموزش با دقت 6/76 درصد انجام گردید. در مرحله بعد به ‌منظور ارزیابی صحت عملکرد الگوریتم آدابوست، مرحله اعتبارسنجی با حذف اطلاعات مربوط به یک چاه انجام شد؛ که دقت 7/71 درصد به دست آمد و نشان از عملکرد و آموزش صحیح الگوریتم آدابوست دارد. درنهایت الگوریتم آدابوست به ‌منظور دسته­بندی تخلخل مؤثر در سایر بخش­هایی که اطلاعات چاه موجود نبود، بکار گرفته شد. خروجی الگوریتم نشان داد که لایه­ های مربوط به سازندهای گروه چالک از تخلخل مؤثر خوبی برخوردارند و احتمالاً استخراج نفت از این افق­ها صرفه اقتصادی خواهد داشت.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

به‌کارگیری مدل فازی عصبی در برآورد پارامترهای مخزن با استفاده از نشانگرهای لرزه‌ای- بررسی موردی در یک مخزن هیدروکربوری در ایران مرکزی

در این مقاله از مدل فازی عصبی برای برآورد خواص مخزن با استفاده از نشانگرهای لرزه ای استفاده شده است. الگوریتم "درخت مدل خطی‌محلی(LOLIMOT)" برای آموزش مدل به‌کار رفته است. این مدل از نگارهای چاه و نشانگرهای لرزه ای در محل چاه در مرحله آموزش استفاده می‌کند. شبکه فازی عصبی آموزش‌‌دیده برای برآورد خصوصیات مخزن با استفاده از نشانگرهای لرزه‌ای مورد استفاده قرار می‌گیرد. این روش در یک تاقدیس هیدروکربن...

full text

ارزیابی رفتار دینامیکی خاک ‏های ریزدانه با استفاده از الگوریتم دسته ‏بندی گروهی داده‏ ها

با توجه به اینکه عملکرد صحیح تأسیسات زیربنایی نیاز به طراحی دقیق دارد، بنابراین ارزیابی دقیق پارامترهای کلیدی با به ‏کارگیری روش­ های نوین از اهمیت ویژه­ ای برخوردار است. در سازه ­های خاکی و سیستم ­های حمل و نقل، به ­عنوان بخشی از مهم ترین ابنیه ­ی فنی و زیرساخت­ ها که خدماتی ضروری برای بشر فراهم می ­نمایند، همواره برآورد و پیش­بینی دقیق ­تر رفتار خاک، بخصوص در برابر بارهای دینامیکی، بسیار اهمی...

full text

اثر بربرین در تنظیم آستروسیتهای Gfap+ ناحیه هیپوکمپ موشهای صحرایی دیابتی شده با استرپتوزوتوسین

Background: Diabetes mellitus increases the risk of central nervous system (CNS) disorders such as stroke, seizures, dementia, and cognitive impairment. Berberine, a natural isoquinolne alkaloid, is reported to exhibit beneficial effect in various neurodegenerative and neuropsychiatric disorders. Moreover astrocytes are proving critical for normal CNS function, and alterations in their activity...

full text

اثر بربرین در تنظیم آستروسیتهای Gfap+ ناحیه هیپوکمپ موشهای صحرایی دیابتی شده با استرپتوزوتوسین

Background: Diabetes mellitus increases the risk of central nervous system (CNS) disorders such as stroke, seizures, dementia, and cognitive impairment. Berberine, a natural isoquinolne alkaloid, is reported to exhibit beneficial effect in various neurodegenerative and neuropsychiatric disorders. Moreover astrocytes are proving critical for normal CNS function, and alterations in their activity...

full text

ارائه یک الگوریتم خوشه بندی برای داده های دسته ای با ترکیب معیارها

Clustering is one of the main techniques in data mining. Clustering is a process that classifies data set into groups. In clustering, the data in a cluster are the closest to each other and the data in two different clusters have the most difference. Clustering algorithms are divided into two categories according to the type of data: Clustering algorithms for numerical data and clustering algor...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 4  issue 1

pages  27- 42

publication date 2018-03-21

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023