عنوان پایان‌نامه
بهینه سازی تخمین تراوایی در واحدهای جریان هیدرولیکی در مخازن هیدروکربوری
- رشته تحصیلی
- مهندسی اکتشاف نفت
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1832;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 46222;کتابخانه انستیتو نفت شماره ثبت: 60.
- تاریخ دفاع
- ۱۰ مهر ۱۳۸۹
- دانشجو
- ملیکا مهری
- استاد راهنما
- غلامحسین نوروزی باغکمه, حسین معماریان
- چکیده
- تراوایی یکی از پارامترهای مهم برای توصیف و مدلسازی و بررسی تولید از مخزن است. به طور معمول تراوایی با استفاده از داده های مغزه، نگارهای چاه پیمایی و آزمایش های سر چاهی تخمین زده می شوند. از آنجایی که مغزه گیری و انجام آزمایش های سر چاهی گران قیمت بوده و فقط در چند چاه موجود می باشند، بنابراین تنها راه رسیدن به تراوایی، برقراری ارتباطی میان نگارهای چاه پیمایی و داده های مغزه در چاه های دارای مغزه است. از طرفی روش های قدیمی تخمین تراوایی بر مبنای رگرسیون های خطی ساده یا استنباط های تجربی فقط به صورت محلی و با در نظر گرفتن شرایط رسوبی منطقه پاسخ مناسبی خواهند داشت، از سوی دیگر در روش های رگرسیونی، رابطه ای خطی میان تخلخل حاصل از مغزه و لگاریتم تراوایی در نظر گرفته می شود که تراوایی به دست آمده از این روش را فقط تابعی از تخلخل می دانند و چون پراکندگی داده ها را در اطراف رگرسیون خطی در نظر نمی گیرند، بنابراین نمی توانند تراوایی های واقعی را نشان دهند. برای رفع این مشکل، روش واحدهای هیدرولیکی به کار گرفته شد. مطالعه حاضر بر روی سازند مخزنی کربناته سروک در میدان آزادگان، واقع در جنوب غربی ایران انجام شده است. در این مطالعه ابتدا واحدهای جریان هیدرولیکی به کمک داده های مغزه، روش های گرافیکی و روش های خوشه بندی در چاه های موجود شناسایی شده و سپس تراوایی با استفاده از روش واحدهای هیدرولیکی محاسبه و با روش سنتی مقایسه گردید. پارامترهای مهمی که در واحدهای هیدرولیکی در نظر گرفته شدند عبارتند از شاخص کیفیت مخزن و شاخص واحد جریانی. ضریب همبستگی برای تخمین تراوایی از روش سنتی 326/0 و با استفاده از واحدهای هیدرولیکی 831/0 به دست آمد. بررسی حاضر نشان داد که به دلیل در نظر گرفتن قوانین جریان سیالات در واحدهای هیدرولیکی، تخمین تراوایی با استفاده از این روش پاسخ بهتری نسبت به روش های رگرسیونی به دست می دهد. هدف دیگر این بررسی، شناسایی واحدهای جریانی و به دست آوردن مدلی معتبر در چاه های فاقد مغزه بوده است. به این منظور از روش های هوشمند مانند شبکه عصبی و نروفازی کمک گرفته شد. بررسی حاضر نشان داد که برای تخمین تراوایی، مدل های نروفازی جواب های بهینه تر و با خطای کمتری نسبت به روش های شبکه عصبی، به دست می دهند.
- Abstract
- Permeability is an essential parameter for characterization, modeling and production of hydrocarbon reservoirs. Three major methods for measuring permeability are laboratory tests, well logs and well tests. Due to high cost and lengthy process, only few wells of an oil field are cored. On the other hand, the estimation of permeability would be possible by finding a correlation between well logs and core measurements. Conventional methods, i.e. linear regressions, give appropriate answers for localities with specific conditions. In convential methods, a linear relationship between core porosity and logarithm of permeability is identified. But we can’t rely on the permeabilities that are estimated by linear regressions because they are regarded only as a function of porosity and they don’t consider the scattering of data around linear regressions. To overcome this problem, the concept of hydraulic flow units was hired. In this study, we focused on Sarvak formation in Azadegan field, one of the southwest carbonate hydrocarbon reservoirs in Iran. First, hydraulic flow units were recognized using core data, graphical and clustering methods in the studied wells. After that, permeability was estimated by mentioned method and the results compared with the conventional method. Quality reservoir index and flow zone indicator are used for characterization of the studied carbonate reservoirs into hydraulic flow units. The correlation coefficient of permeability estimation by linear regression was 0.326 compared to 0.831 using hydraulic flow units. As a result of considering pore throat radius and fluid flow laws, we reached to better permeability estimation than linear regression method. Another objective of this investigation was finding a valid model for predicting the flow units in non-cored wells of the reservoir. To develop this model artificial neural network and adaptive neuro fuzzy inference system (ANFIS) were tested. Present study showed that neuro fuzzy models can predict permeability with lower errors compare to neural network.
