تخمین پارامترهای پتروفیزیکی (نفوذپذیری و تخلخل) مخازن ترکدار با استفاده از داده های چاه نگاری به روشهای هوشمند: میدان گلشن

توصیف مخازن هیدروکربنی یک فرایند کمی سازی تغییرات مکانی خصوصیات مختلف مخزن با استفاده از کلیه داده های آزمایشگاهی و صحرایی می باشد. شناخت خصوصیات مخازن نقشی اساسی در مدیریت مدرن آنها داشته و باعث نظم در داده ها برای ایجاد یک مدل نزدیک به واقعیت از شرایط مخازن، با دامنه ی تغییرات واقعی عدم قطعیت می گردد. مطالعه ی مخازن ترک دار به علت وجود پیچیدگی های موجود در رابطه بین تخلخل و تراوایی مشکل و زمان بر می باشد. این قبیل مخازن بیشتر در سنگ هایی با تراوایی پایین شکل میگیرند بطوریکه این ترک ها نقش کانال های انتقال جریان را بر عهده داشته و تخلخل نیز مجموعه ای از تخلخل سازند و تخلخل ترک خواهد بود. سازند آسماری بعنوان در برگیرنده بسیاری از مخازن بزرگ نفتی ایران دارای تخلخل بالای موثر سنگ مخزن همراه با شبکه ی ترک های طبیعی که ویژگی مطلوب این سازند به شمار می آیند، می باشد. اهداف اولیه این تحقیق بررسی امکان استفاده از داده های چاه نگاری برای تخمین پارامترهای پتروفیزیکی یک مخزن شکسته و ارائه راهکاری برای بهبود تخمین های بدست آمده با استفاده از روش های هوشمند شبکه ی عصبی و svm در مخزن ترک دار در میدان گلشن واقع در خلیج فارس بوده است. پس از جمع آوری اطلاعات زمین شناسی، چاه نگاری و داده های مغزه، در ابتدا داده ها برای ورود به شبکه آماده سازی شدند. منظور از آماده سازی داده ها که در فصل بعد به تفضیل بیان خواهد شد، انجام تصحیحات بر روی داده ها، به دست آوردن rw و شاخص شدت شکستگی در چاه های موجود، انتخاب ورودی ها و خروجی های مناسب جهت شبکه ی عصبی و ماشین بردار پشتیبان در میدان گلشن است. در این تحقیق با برنامه نویسی در محیط متلب، از توانمندی شبکه ی عصبی bp با الگوریتم آموزشی پیش انتشار خطا و رگرسیون ماشین بردار پشتبان استفاده و با بهینه سازی پارامترهای موثر در مدلهای فوق نتایج با هم مقایسه و عملکرد هر روش بطور مجزا بررسی شده است. به علت تاثیر زیاد شکستگی ها در میزان تراوایی مخزن در زون های شکسته، شناسایی شکستگی ها یکی از مهم ترین بخش های این مطالعه بوده است. تخمین بازشدگی، نفوذپذیری و تخلخل شکستگی ها با استفاده از لاگهای تصحیح شده چاه نگاری نشان می دهد که توزیع فراوانی پارامترهای فوق به شدت لاگ نرمال بوده بطوریکه شکستگی های با میزان بازشدگی بیش از 0.1 میلیمتر و تخلخل شکستگی بیش از 3 درصد دارای فراوانی بسیار ناچیز می باشد که با الگوی شناخته شده شکستگی های مخازن گازی مطابقت خوبی نشان می دهد. عملکرد پیش بینی شبکه در تعمیم نتایج تخمین fii به داده های آزمون در مرحله ی آموزش به 19/91 رسیده در حالیکه این میزان برای مرحله ی تست به 36/82 کاهش یافته است. نتایج نشان می دهد که در صورت بهره گیری از نتایج حاصل از تخمین تخلخل و شاخص شدت شکستگی و پارامترهای بازشدگی، تخلخل و نفوذپذیری شکستگی ها به همراه سایر لاگهای ورودی به شبکه می توان پارامتر نفوذپذیری را که از پیچیدگی بسیار بالا و متأثر از عوامل متعددی میباشد، با دقت بالائی تخمین زد. نتایج با استفاده از یک شبکه ی عصبی mlp با الگوریتم آموزشی پیش انتشار خطا و تعداد بهینه ی نرون های ورودی 20، تعداد نرون های لایه ی پنهان 18 و تعداد نرون های خروجی 1 حاکی از میزان همبستگی بدست آمده بین مقادیر تخمینی و مشاهده ای در مرحله آموزشی و تست به ترتیب برابر با 96.9 و 96.7 میباشد که تنیجه بسیار خوبی در تخمین نفوذپذیری بشمار می رود. در مجموع بررسیهای صورت گرفته در این تحقیق، ضمن نمایش توانمندی روش ها شبکه ی عصبی و ماشین بردار پشتیبان در تخمین پارامترهای پتروفیزیکی مخازن شکسته (ترک دار) بخصوص مخزن واقع در میدان گلشن، اهمیت بکارگیری کلیه اطلاعات پتروفیزیکی و مرحله ای نمودن تخمینها در بالا بردن دقت و قدرت تعمیم مدل بدست آمده بخوبی نشان داده شد.