کاربرد شبکه عصبی در ارزیابی پتروفیزیکی سازند آسماری در یک چاه تولیدی واقع درجنوب غرب ایران

نوع مقاله : علمی - پژوهشی

نویسندگان

1 کارشناسی ارشد مهندسی اکتشاف نقت، دانشکده مهندسی معدن، پردیس دانشکده‌های فنی دانشگاه تهران

2 استادیار دانشکده مهندسی معدن، پردیس دانشکده های فنی، دانشگاه تهران

چکیده

تعیین پارامترهای پتروفیزیکی و بررسی توزیع آن‌ها در عمق مخزن، می‌تواند منجر به زون‌بندی جدید و تغییر ضخامت زون تولیدی میادین شود. کانی‌های رسی از دسته کانی‌های بومی سازندها هستند که در بیشتر سازندهای هیدروکربوری حضور داشته و با کاهش پارامترهای مهم مخزنی و کلیدی از جمله تخلخل و تراوایی پتانسیل تولید را کاهش می‌دهند. در این پژوهش، هدف بررسی پتروفیزیکی سازند آسماری با تلفیق انواع روش‌های سنتی و هوشمند به منظور تخمین حجم رس و ارزیابی کیفیت مخزن است. برای تخمین پتروفیزیکی حجم رس به روش‌های سنتی، روابط پتروفیزیکی بویان - پاسی، استیبر، کلاویر، لارینف -1 (با توجه به سن سازند) و جوزانی‌کهن بر داده‌های نگار پرتوی گاما اعمال شد که با مقایسه با 15 داده‌ آزمایشگاهی این پارامتر در اعماق معلوم، کمترین خطا %45 به دست آمد. سپس، برای کاهش خطا به مدل‌سازی توسط شبکه عصبی (MLP) پرداخته شد که با تخمین داده‌های آزمایشگاهی، تعداد 259 داده تولید و با تابع فعال‌سازی تانژانت زیگموئید، الگوریتم آموزش لونبرگ - مارکوات، تعداد 6 نرون و 1 لایه پنهان آموزش داده شد. خروجی‌های حجم رس شبکه عصبی طبقه‌بندی شد و جنس سازندی به طور عمده ماسه‌سنگی - رسی تعیین شد. با بررسی نمودارهای چگالی - تخلخل سنگ‌شناسی سازندی تعیین و بازه‌های با کیفیت مخزنی خوب و مناسب برای عملیات مشبک‌کاری معرفی شدند. داده‌های نمودار پرتوزایی گاما و تخلخل نوترونی نیز طبقه‎بندی شد و بازه‌های با کیفیت سازندی از ضعیف تا عالی معرفی شدند که در نهایت با تلفیق تمامی نتایج حاصل از مطالعات در این پژوهش کیفیت کلی سازند آسماری در چاه موردمطالعه خوب برآورد شد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

THE APPLICATION OF NEURAL NETWORK METHOD IN PETROPHYSICAL EVALUATION OF ASMARI FORMATION IN A PRODUCING WELL IN SOUTHWEST OF IRAN

نویسندگان [English]

  • Shadi Mohavvel 1
  • Golnaz Jozanikohan 2
1 Msc. Petroleum Exploration, School of Mining, College of Engineering, University of Tehran
2 Assistant professor, School of Mining Engineering, University College of engineering, University of Tehran
چکیده [English]

Determination of petrophysical parameters and their distribution in the reservoir can lead to new zonation and change of production thickness zone.clay minerals exist in most of oil reservoirs and reduce important parameters such as porosity, permeability and production potential.The purpose of this study was to investigate the petrophysical properties of Asmari Formation by combination of different traditional petrophysical methods for volume of clay estimation and reservoir evaluation studies. The traditional calibration of gamma ray log such as Bhuyan – Passey, Larionov-1, Steiber, Clavier and Jozanikohan relationships were applied which resulted to 45% relative error for estimation of clay minerals in compare to the 15 known laboratory values of this parameter. In the next step, neural network modeling was performed to reduce relative error. 259 data were estimated from laboratory values and trained with Tangent Sigmoid Activation Function, Levenberg-Marquardt training algorithm, 6 neurons and 1 hidden layer in a MLP neural network. The clay volume outputs of the neural network were classified and the body of the reservoir determined to be sandstone-clay. By investigating the density-porosity cross-plots, formation lithology and good quality reservoir intervals were introduced for Perforation operation. The gamma-ray data and neutron porosity data were also categorized to give the low to high quality intervals. Finally, by combination all the results in this study, the quality of Asmari formation were estimated to be "good".

کلیدواژه‌ها [English]

  • Clay Minerals
  • Petrophysical estimation of volume of clay
  • Neural Network modeling
  • Well logs
منابع #Leila, M., Eslam, A., El-Magd, A. A., Alwaan, L., & Elgendy, A. (2021). Formation evaluation and reservoir characteristics of the Messinian Abu Madi sandstones in Faraskour gas field, onshore nile delta, Egypt. Journal of Petroleum Exploration and Production, 11(1), 133-155.# #Hill D.G. (2017) Formation Evaluation. In: Hsu C.S., Robinson P.R. (eds) Springer Handbook of Petroleum Technology. Springer Handbooks. Springer, Cham.# #Wilson, L., Wilson, M. J., Green, J., & Patey, I. (2014). The influence of clay mineralogy on formation damage in North Sea reservoir sandstones: a review with illustrative examples. Earth-Science Reviews, 134, 70-80.# #Ellis, D. V., & Singer, J. M. (2007). Well logging for earth scientists (Vol. 692). Dordrecht: Springer. #Bhuyan, K., & Passey, Q. R. (1994, January 1). Clay Estimation From GR And Neutron -Density Porosity Logs. Society of Petrophysicists and Well-Log Analysts.# #Larionov, V., Borehole radiometry. Nedra, Moscow, 1969. 127.# #Clavier, C., Hoyle, W., & Meunier, D. (1971, June 1). Quantitative Interpretation of Thermal Neutron Decay Time Logs: Part I. Fundamentals and Techniques. Society of Petroleum Engineers. doi:10.2118/2658-A-PA# #Steiber, R. G. (1973). Optimization of shale volumes in open hole logs. Journal of Petroleum Technology, 31(1973), 147-162.# #Jozanikohan, G. (2017). On the development of a non-linear calibration relationship for the purpose of clay content estimation from the natural gamma ray log. International Journal of Geo-Engineering, 8(1), 1-18.# #Kamel, M. H., & Mabrouk, W. M. (2003). Estimation of shale volume using a combination of the three porosity logs. Journal of Petroleum Science and Engineering, 40(3-4), 145-157.# #Soto Becerra, R., Arteaga, D., Hidalgo, C. M., & Rodriguez, F. (2010, January). The correct shale-volume characterization increases hydrocarbon reserves: case study of cretaceous formation, Lake of Maracaibo, Venezuela. In SPE Latin American and Caribbean Petroleum Engineering Conference. Society of Petroleum Engineers.# #Aksu, I., Bazilevskaya, E., & Karpyn, Z. T. (2015). Swelling of clay minerals in unconsolidated porous media and its impact on permeability. GeoResJ, 7, 1-13.# #Jozanikohan, G., Norouzi, G. H., Sahabi, F., Memarian, H., & Moshiri, B. (2015). The application of multilayer perceptron neural network in volume of clay estimation: case study of Shurijeh gas reservoir, Northeastern Iran. Journal of Natural Gas Science and Engineering, 22, 119-131.# #Choubineh, A., Helalizadeh, A., & Wood, D. A. (2019). Estimation of minimum miscibility pressure of varied gas compositions and reservoir crude oil over a wide range of conditions using an artificial neural network model. Advances in Geo-Energy Research, 3(1), 52-66.# #Amirian, E., Fedutenko, E., Yang, C., Chen, Z., & Nghiem, L. (2018). Artificial neural network modeling and forecasting of oil reservoir performance. Applications of data management and analysis, 43-67.# #Ahmadi, M. A., & Chen, Z. (2019). Comparison of machine learning methods for estimating permeability and porosity of oil reservoirs via petro-physical logs. Petroleum, 5(3), 271-284.# #سلیمانی، ب.، عبدالرحیمی، ق.، اشجعی، ع.، چرچی، ع.، (1391). مطالعه سنگ‌شناسی و مدل ساختمانی سازند گچساران در میدان نفتی مارون با استفاده از روش‌های زمین‌آماری. زمین شناسی کاربردی پیشرفته. 2 (4)، 31-21.# #نورائی‌نژاد، خ.، محمدی، ح.، 1391. تأثیر خاصیت ترشوندگی سنگ مخزن بر روند تولید سازند آسماری میدان مارون. ماهنامه علمی- ترویجی اکتشاف و تولید نفت و گاز. 51-47.# رحیمی پوستین دوز، آ.، خوشبخت، ف.، نبی بیدهندی، ب. م.،. 1394. ارزیابی پتروفیزیکی و زون بندی سازند آسماری در یکی از چاه های جنوب غرب ایران. مجموعه مقالات چهارمین کنفرانس ملی مهندسی مخازن هیدروکربوری و صنایع بالادستی.# #جوزانی کهن، گ.، 1392، "شناسایی کانی‌های رسی به روش طیف‌سنجی پراش پرتو ایکس"، چاپ اول، موسسه انتشارات ستایش، تهران، 150 صفحه.# #محول، ش.، 1398، "بررسی کانی‌های رسی یکی از مخازن کربناته جنوب غرب ایران با هدف طبقه‌بندی مخزن به لحاظ کیفیت"، پایان نامه کارشناسی ارشد رشته مهندسی اکتشاف نفت، دانشکده مهندسی معدن، پردیس دانشکده‌های فنی دانشگاه تهران، 127 صفحه.# #Boukabara, S. A., Krasnopolsky, V., Penny, S. G., Stewart, J. Q., McGovern, A., Hall, D., ... & Hoffman, R. N. (2021). Outlook for exploiting artificial intelligence in the earth and environmental sciences. Bulletin of the American Meteorological Society, 102(5), E1016-E1032.# #Jozanikohan, G., & Seyfan, A. (2020). The Determination of the Most Effective Petrophysical Logs for Rock typing in a Detrital Reservoir Rock, Using Clustering Methods. Journal of Analytical and Numerical Methods in Mining Engineering, 10(23), 65-77.#