عنوان پایان‌نامه
مدلسازی تخلخل با رویکرد ترکیب اطلاعاتدر سازند سروک میدان نفتی آزادگان
- رشته تحصیلی
- مهندسی اکتشاف نفت
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1931;کتابخانه انستیتو نفت شماره ثبت: 63.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 48792
- تاریخ دفاع
- ۲۸ خرداد ۱۳۹۰
- استاد راهنما
- بهزاد تخم چی, حسین معماریان
- دانشجو
- عطیه مظاهری طرئی
- چکیده
- پارامترهای سنگ مخزن نفت، نظیر تخلخل، نقش بسیار مهمی در برآورد میزان ذخیره هیدروکربور، ایفا می‌کنند. به دلیل هزینه بالای مغزه‌گیری و پایین بودن ضریب بازیافت مغزه در مخازن ترکدار، معمولا تعداد محدودی از چاههای یک میدان نفتی دارای مغزه هستند. این در حالی است که چاه‌نگارهای پتروفیزیکی مرسوم در تمامی چاهها در دسترس هستند و هر کدام خاصیتی از سنگ مخزن را برداشت می‌کنند. در مخازن کربناته، که عموما ناهمگن بوده و رابطه پیچیده‌ای بین تخلخل و سایر خصوصیات پتروفیزیکی وجود دارد، امکان برقراری ارتباط ساده بین تخلخل و سایر خصوصیات پتروفیزیکی مخزن دشوار است. لذا می‌بایست تکنیک¬های پیشرفته تخمین مورد استفاده قرار گیرند. تخمین تخلخل از روی نگارهای پتروفیزیکی، با به‌کارگیری تکنیک‌های پیشرفته، هم از نظر اقتصادی و هم از نظر بهینه کردن محل چاههای تولیدی و همچنین برآورد میزان پتانسیل هر چاه، حائز اهمیت می‌باشد. همچنین نتایج این مطالعه برای شناسایی زونهای مستعد تولید در چاههای نفت، قابل استفاده است. آنالیز رگرسیون و شبکه های عصبی روش‌های مختلف تخمین تخلخل مخزن می‌باشند، که هر یک نقاط قوت و محدودیت‌های خاص خود را دارند. از جمله نقاط ضعف روش رگرسیون خطی چندگانه، نیاز به نمونه های فراوان و در عین حال درست است؛ زیرا این روش در مقابل اطلاعات نادرست، حساسیت بالایی داشته و ورود چنین داده هایی ممکن است منجر به بروز خطاهای بزرگی در نتایج به دست آمده شود. افزون بر این، برای استفاده از این روش ، متغیرها باید توزیع نرمال داشته باشند و تغییر آنها از یک رابطه خطی پیروی کند. شبکه‌های عصبی نیز در مواقعی که روابط بین متغیرها بسیار پیچیده بوده و یا حل آن از طریق روش‌های متداول بسیار زمان‌بر است، مورد استفاده قرار می‌گیرد. تخلخلی که از این روش ها به دست می آید تحت تأثیر عواملی همچون دما، فشار، نوع سیال، میزان هیدروکربور و شیل موجود در سازند قرار می گیرند و در نتیجه با میزان واقعی تخلخل کمی متفاوت است. بنابراین تخمین ها توأم با خطا و عدم قطعیت هستند. شاید بهترین و در عین حال عملی ترین روش جهت کاهش عدم قطعیت تخمین ، استفاده از منابع مختلف داده جهت تخمین و در واقع استفاده از تکنیک های ترکیب اطلاعات باشد. کارکرد اصلی این تکنیک ها، افزایش اطمینان و کاهش ریسک در تصمیم گیری ها است. تکنیک های ترکیب اطلاعات، اطلاعات منابع مختلف و سایر اطلاعات مرتبط را با هم ترکیب می¬کنند، به نحوی که بتوان استنباط¬های خاصی را ارائه کرد که توسط یک منبع اطلاعاتی مستقل قابل ارائه نبوده¬اند. به طور کلی، هدف از پردازش داده¬های حاصل از منابع مختلف، تصمیم¬گیری در شرایط عدم قطعیت می¬باشد. در این پایان‌نامه با استفاده از روش¬های رگرسیون خطی چندگانه، شبکه عصبی و روش ترکیب اطلاعات در دو سطح داده با استفاده از تئوری بیزین و در سطح تصمیم با استفاده از انتگرال فازی سوگنو، به تخمین تخلخل در سازند کربناته‌ی سروک واقع در میدان نفتی آزادگان پرداخته¬ شد. همبستگی به‌دست آمده، بین تخلخل حاصل از تخمین به روش رگرسیون خطی چندگانه و شبکه عصبی با تخلخل مغزه در مجموعه داده‌های اعتبارسنجی، در حالت 2 یعنی زمانیکه چاه شماره 4 به عنوان چاه تعمیم انتخاب شد، به ترتیب %83 و %86 بود. تخمین با استفاده از ترکیب اطلاعات در سطح داده و تصمیم، بهبود بخشیده شد و این ضریب به %88 در حالت ترکیب در سطح داده و 90% در حالت ترکیب در سطح تصمیم ارتقا یافت. نتایج حاصل از مدلسازی به کمک شبکه عصبی نشان داد این روش در تخمین ویژگی‌های مخزنی از روش رگرسیون، دقیق‌تر است. مهم‌ترین مزیت آن، عدم تحمیل شکل خاصی از توابع به مدل می‌باشد و در مقایسه با مدل رگرسیون خطی مقادیر پیش‌بینی ملزم به قرارگیری در اطراف مقادیر میانگین نبوده و تغییرپذیری واقعی داده‌ها حفظ می‌شود. بررسی حاضر نشان داد که تکنیک های ترکیب اطلاعات نسبت به دو روش رگرسیون و شبکه عصبی، به علت استفاده از منابع مختلف داده و مزایائی چون کاهش در زمان اندازه گیری، افزایش قابلیت اعتماد به نتایج، افزونگی و کامل بودن اطلاعات، کاهش هزینه های اندازه گیری و کاهش خطا و عدم قطعیت، در تخمین این پارامتر پتروفیزیکی دقیق تر عمل نموده است.
- Abstract
- Petroleum reservoir rock parameters such as porosity, play a very important role in the storage of hydrocarbons. Predominantly due to high cost and low core recovery in fractured reservoirs, usually a limited number of oil field wells contain core. However, the conventional petrophysical well logs are available in all wells and each is taken some properties of the reservoir rock. In carbonate reservoirs, which are generally heterogeneous and relationship between porosity and other petrophysical properties are complex, allowing easy communication between the reservoir porosity and other petrophysical properties is difficult, So advanced estimation techniques should be used. Estimation of porosity from the petrophysical logs, Utilizing advanced techniques, both economically and in terms of improving local production wells and the estimated potential rate of each well, is very important. The result of this study is also used to identify risk zones in producing oil wells. Regression analysis and intelligent techniques are different methods of estimating the reservoir porosity, each with strengths and limitations of its. Multiple linear regression methods such weaknesses, the need for large samples and the same is true. Because of the false information, and enter the high sensitivity of such data may lead to gross errors in the results. Moreover, using this method, the variables must be normally distributed, and change them to follow a linear relationship. Neural networks when the relationship between variables is very complex and very time consuming to solve through conventional methods is used. The porosity value obtained from this methods is influenced by factors such as temperature, pressure, fluid type, and amount of hydrocarbons in shale formations. Thus it is slightly different from the exact value of porosity. Thus, estimates are prone to error and uncertainty. One of the best and yet most practical ways to reduce the amount of uncertainty in measurement is using various sources and data fusion techniques. The main benefit of these techniques is that they increase confidence and reduce risk and error in decision making. Techniques of data fusion, can combine the information sources and other related information to elicit certain way that can be provided by an independent source of information were not available. In general, the purpose of processing data from various sources, is the decision making in conditions of uncertainty. In this thesis, the porosity was estimated in Azadegan oil field, using multiple linear regression, neural network and data fusion techniques in data level using bayesian theory and decision level using sugeno fuzzy integral. Correlation obtained between the porosity estimates using multiple linear regression and neural network with core data in the validation data, in the second case, when well No. 4 was selected as a generalization of the well, respectively, were 83% and 86%. Estimates using data fusion in data and decision level, was improved and the ratio upgraded to 88% and 90% , respectively, in data level and decision level. The results showed that neural network modeling to estimate the reservoir properties of the regression method, is more accurate. Its main advantage, is not to impose a particular function to model and compared with values predicted by the linear regression model was not required to placement around the average values and variability of real data is preserved. The present study demonstrates that data fusion techniques rather two methods of regression and neural network, due to the use of different data sources and benefits such as reduction in measurement time, Increase the reliability of the results, redundancy and complementary of information, cost reduction measures and reduce error and uncertainty, In estimating this petrophysical parameter is more accurate.
