نوع مقاله: علمی - پژوهشی

نویسندگان

1 استادیار دانشگاه صنعتی اراک

2 دانشجوی کارشناسی ارشد، دانشکده مهندسی معدن، دانشگاه صنعتی اراک

3 دانشگاه صنعتی اراک

چکیده

ارزیابیخواص پتروفیزیکی،پایهواساسمدلسازیدرامرمطالعهتولیدومدیریتیکمخزننفتیمحسوبمی‌شود. یکیازپارامترهای ضروری برای توصیفمخازن هیدروکربوری، سرعتموج برشیاست. تعیینسرعتموجبرشیباروش‌هاییمانندآنالیزمغزه،مستلزمصرفزمانوهزینهگزافیاست. همچنینبهعلتنبودمغزه‌هایکافیوتغییراتسنگ‌شناسیوناهمگنیسنگمخزن،‌تعییناینپارامترباروش‌هایمعمولدقتچندانیندارد بنابراین دراینتحقیقازیکروشپیشرفتهآماریاحتمالاتیبهنامروشترکیبیرگرسیونقطعه‌ای- شبیهسازیمونتکارلوبهمنظورپیش‌بینیوشبیه‌سازیسرعتموجبرشیدریکیازمخازننفتیجنوبغربیایراناستفادهشدهاست. بهاینترتیبکهابتدابا استفادهاز چاهنگارهایمختلفوروشرگرسیونقطعه‌ایمدلسازیانجامگرفتهوپسازآنبااستفادهازروششبیه‌سازیمونتکارلوپارامترسرعتموجبرشیشبیه‌سازیوپیش‌بینیشدهاست. دراینمطالعهازبانکاطلاعاتیمجموعهداده‌هایتصحیحشدهدرمیداننفتیمارونشامل 4000 ستدادهکه 70 درصدآنبرایساختمدلومابقیبرایارزیابیعملکردمدل،استفادهشدهاست. بعلاوهدراینتحقیقباکمکروششبیه‌سازیمونتکارلوبرایتعیینموثرترینپارامترورودی،درتعیینسرعتامواجبرشیاستفادهشدکهبراساسنتایجبه­دستآمدهتاثیرگذارترینمتغیرورودی،سرعتموجفشاریاست. نتایج به­دست آمدهازاینتحقیقنشان می‌دهد کهروش‌یاد شده دربرآورد غیرمستقیمسرعتموج برشیدر مخازنی کهاین پارامتر اندازه‌گیرینشدهاست،دقتوقابلیتبالایی دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Using a combination method of statistical and probabilistic for prediction of shear wave velocity in a carbonate reservoir

نویسندگان [English]

  • Zahra Varmazyari 2
  • mostafa yusefi rad 3

2 Department of Mining Engineering Faculty of Engineering and Technology Arak University of Technology, Iran

3 arak univercity

کلیدواژه‌ها [English]

  • Shear wave velocity
  • Monte Carlo Simulation
  • Piecewise regression
  • Sensitivity analysis
  • Carbonate reservoir

 

منابع
[1] Nikravesh M, Zadeh LA, Aminzadeh F (2003)
Soft computing and intelligent data analysis in oil
exploration, vol 51. Elsevier ,
[2] Saemi M, Ahmadi M, Varjani AY. Design of
neural networks using genetic algorithm for the
permeability estimation of the reservoir. J Pet Sci
Eng 2007;59(1): 97-105.
[3] Nourafkan A, Kadkhodaie-Ilkhchi A. Shear
wave velocity estimation from conventional well
log data by using a hybrid ant colony–fuzzy
inference system: A case study from Cheshmeh–
Khosh oilfield. J Pet Sci Eng 2015;127: 459-468.
[4] Zoveidavianpoor M, Samsuri A, Shadizadeh
SR. Adaptive neuro fuzzy inference system for
compressional wave velocity prediction in a
carbonate reservoir. J Appl Geophys 2013;89: 96-
107.
[5] Asoodeh M, Bagheripour P. Prediction of
compressional, shear, and stoneley wave
velocities from conventional well log data using a
committee machine with intelligent systems. Rock
Mech Rock Eng 2012;45(1): 45-63.
[6] Moatazedian I, Rahimpour-Bonab H,
Kadkhodaie-Ilkhchi A, Rajoli M. Prediction of
shear and Compressional Wave Velocities from
petrophysical data utilizing genetic algorithms
technique: A case study in Hendijan and Abuzar
fields located in Persian Gulf. Geopersia
2011;1(1): 1-17.
[7] Rajabi M, Bohloli B, Gholampour Ahangar
E. Intelligent approaches for prediction of
compressional, shear and Stoneley wave velocities
from conventional well log data: A case study
from the Sarvak carbonate reservoir in the Abadan
Plain (Southwestern Iran). Comput Geosci
2010;36(5): 647-664.
[8] Rezaee MR, Kadkhodaie Ilkhchi A, Barabadi
A. Prediction of shear wave velocity from
petrophysical data utilizing intelligent systems:
An example from a sandstone reservoir of
Carnarvon Basin, Australia. J Pet Sci Eng
2007;55(3): 201-212.
[9] Kadkhodaie Ilkhchi A, Rezaee M, Moallemi
SA. A fuzzy logic approach for estimation of
permeability and rock type from conventional
well log data: an example from the Kangan
reservoir in the Iran Offshore Gas Field. J
Geophys Eng 2006;3: 356-369.
[10] Eskandari H, Rezaee M, Mohammadnia M.
Application of multiple regression and artificial
neural network techniques to predict shear wave
velocity from wireline log data for a carbonate
reservoir South-West Iran. CSEG recorder
2004;42: 48.
[11] Boadu FK. Predicting oil saturation from
velocities using petrophysical models and
artificial neural networks. J Pet Sci Eng
2001;30(3): 143-154.
[12] Kamel MH, Mabrouk WM. An equation for
estimating water saturation in clean formations
utilizing resistivity and sonic logs: theory and
application. J Pet Sci Eng 2002;36(3): 159-168.
[13] Amiri M, Zahedi G, Yunan MH. Reducing
predictive uncertainty in log-derived water
saturation models in a giant tight shaly
sandstones–A case study from Mesaverde tight
gas reservoir. J Natu Gas Sci Eng 2015;23: 380-
386.
پیش بینی سرعت موج برشی در مخزن نفتی به روش آماری- احتمالاتی نشریه علمی_پژوهشی مهندسی معدن
٣٥
[14] Lee M, Collett T. In-situ gas hydrate hydrate
saturation estimated from various well logs at the
Mount Elbert Gas Hydrate Stratigraphic Test
Well, Alaska North Slope. Mar Petrol Geol
2011;28(2): 439-449.
[15] Na’imi S, Shadizadeh S, Riahi M,
Mirzakhanian M. Estimation of reservoir porosity
and water saturation based on seismic attributes
using support vector regression approach. J Appl
Geophys 2014;107: 93-101.
[16] Habibi MJ, Mokhtari AR, Baghbanan A,
Namdari S. Prediction of permeability in dual
fracture media by multivariate regression analysis.
J Pet Sci Eng 2014;120: 194-201.
[17] Huang D, Sima L, Wu F, Wang L, Li Q.
Estimating saturation exponent from NMR
logging. Arab J Geosci 2015;8(9): 6771-6778.
[18] Al-Bulushi N, King PR, Blunt MJ,
Kraaijveld M. Development of artificial neural
network models for predicting water saturation
and fluid distribution. J Pet Sci Eng 2009;68(3):
197-208.
[19] Vadapalli U, Srivastava R, Vedanti N, Dimri
V. Estimation of permeability of a sandstone
reservoir by a fractal and Monte Carlo simulation
approach: a case study. Nonlinear Processes in
Geophysics 2014;21(1): 9-18.
[20] Mirnejad H, Sisakht V, Mohammadzadeh H,
Amini A, Rostron B, Haghparast G. Major, minor
element chemistry and oxygen and hydrogen
isotopic compositions of Marun oil‐field brines,
SW Iran: Source history and economic potential.
Geological Journal 2011;46(1): 1-9.
[21] Asquith GB, Krygowski D, Gibson CR
(2004) Basic well log analysis, vol 16. American
Association of Petroleum Geologists Tulsa.