عنوان پایان‌نامه
تشخیص سطوح سیالات مخزنی با استفاده از روشهای پردازش سیگنال
- رشته تحصیلی
- مهندسی معدن-اکتشاف معدن
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1976;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 49803
- تاریخ دفاع
- ۱۴ مهر ۱۳۹۰
- دانشجو
- امیر ملاجان
- استاد راهنما
- حسین معماریان
- چکیده
- پایان نامه حاضر که بر روی بخش کربناته (سازند سروک) یکی از میادین نفتی جنوب کشور صورت گرفته است به مطالعه و بررسی روش های جدایش سطوح سیالات مخزنی پرداخته و در دو بخش کلی تنظیم شده است. در بخش نخست با مرور روش های متداول ، به کمک دو روش تخمین تراوایی و نیز روش مشاهده سریع ، سطح آب – نفت در چاه های میدان مورد مطالعه بررسی شده است. مقایسه نتایج این روش ها با پاسخ های حاصل از تست چاه نشان داد که این روش ها قادرند با مقداری اختلاف (در حدود 4 متر) تخمینی از عمق سطح تماس آب - نفت را به دست دهند. در بخش بعد دو روش جدید ارائه شده است؛ روش اول برمبنای تبدیل موجک پیوسته چاه نمودار مقاومت ویژه عمیق بوده و روش دوم ترکیبی از روش های بازشناسی الگو و تکنیک های پردازش سیگنال (همچون فوریه و موجک) است. با توجه به نتایج بدست آمده از روش دوم می توان گفت، استفاده از طبقه بندی کننده ی ناپارامتری نتایج را به صورت میانگین تا 2.58 درصد بهبود بخشیده است. همچنین در حالتی که از روش تجزیه موجک استفاده شد، فرآیند تفکیک کلاس ها به صورت میانگین تا 1.94 درصد بهتر صورت گرفته و بررسی تعمیم پذیری الگوریتم طراحی شده نیز هنگامی که از یک چاه برای آموزش استفاده شده است در بهترین وضعیت به صورت میانگین تا 60.4 درصد می باشد.
- Abstract
- This thesis has been made to study the method of separation of reservoir fluid contacts and is set in two parts in carbonate unit (Sarvak Formation) of an oil field at southern. In the first part, two conventional methods such as permeability estimation and quick look are reviewed and by using of them depth of water - oil contacts in wells of investigated oil field are determined. Comparison of results with the responses obtained from the well tests, showed that these methods are capable to estimate depth of oil-water contact with some differences (about 4 m). Two new method are presented in the next section, the first method is based on continuous wavelet transform of deep resistivity log and the second method combines the techniques of pattern recognition and signal processing techniques, (such as Fourier and wavelet). Based on results of the second method, using non-parametric classifier has improved results as the average to 2.58 percent. In the case of using wavelet analysis method, separation of the classes has done better than 1.94 percent. Investigation of generalization of the designed algorithm showed when a well is used for training, in the best position, the accuracy of method is 60.4 percent.
