عنوان پایان‌نامه
توصیف رخساره های سنگی مخزن با استفاده از وارون سازی ژیش از برانبارش و تحلیل مولفه های اصلی
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 51497;کتابخانه موسسه ژئوفیزیک شماره ثبت: 748
- تاریخ دفاع
- ۱۹ دی ۱۳۹۰
- دانشجو
- محسن پیرمرادیان
- استاد راهنما
- محمدعلی ریاحی
- چکیده
- استفاده از داده¬های لرزه¬ای بازتابی دو و سه بعدی در صنعت نفت از ارکان اصلی مطالعات میدانی محسوب می¬شوند. کاربرد این داده¬ها فقط معطوف به کشف نفتگیرهای ساختمانی نبوده و در ارزیابی لایه¬های مخزنی و توسعه میادین نیز مورد استفاده قرار می¬گیرند. توصیف رخساره¬های مخزن و تفکیک سنگ¬شناسی¬های مختلف از مراحل مهم ارزیابی یک مخزن به شمار می¬رود. نشانگرهای لرزه¬ای متعددی برای بدست آوردن مدل یا مدل¬هایی از توزیع رخساره¬ها در یک مخزن به کار گرفته شده¬اند. در این تحقیق سعی بر آن شده است که با اعمال وارون¬سازی قبل از برانبارش بر داده¬های لرزه¬ای و بدست آوردن نشانگرهای قبل از برانبارش چنین مدل¬هایی از یک مخزن بدست آورده شود. در چنین مطالعاتی که با چندین حجم نشانگر مواجه می¬باشیم، اغلب تشخیص مناسب بودن نشانگرها در جهت هدف مطالعه مشکل بوده و در انبوه داده¬ها ممکن است سردرگمی¬هایی به وجود آید. حجم بالای داده¬ها و تعداد زیاد نشانگرها در مطالعات ارزیابی مخازن این ضرورت را ایجاب می¬کند که روش¬های آماری بهینه¬ای جهت استفاده مناسب از این داده¬ها برای دستیابی به اهداف تعیین شده و اخذ نتایج مطلوب و تا حد ممکن نزدیک به واقعیت، به کار گرفته شوند. در این تحقیق یکی از روش¬های آماری آنالیزهای چند متغیره به نام تحلیل مولفه¬های اصلی مورد مطالعه قرار گرفته است. این روش یک تبدیل خطی می¬باشد که توسط آن می¬توان دستگاه¬ مختصات جدیدی که محورهای آن براساس روندهای تغییرات موجود در داده¬ها انتخاب می¬شوند، به وجود آورد. به عبارت دیگر متغیرهای اولیه که ممکن است همبسته بوده و از میزان درجه اهمیت¬شان برای مطالعه مورد نظر دانش کمی در دست می¬باشد، به متغیرهای جدیدی تبدیل می-شوند که ناهمبسته می¬باشند و می¬توان آنها را بر حسب درجه اهمیت¬شان مرتب کرد.
- Abstract
- Simultaneous pre-stack inversion was applied on a set of pre-stack data and pre-stack seismic attributes including acoustic impedance (Zp), shear impedance (Zs), Elastic impedance (EI), ??, ??, Poisson Impedance (PI) and Poisson Dampening Factor (PDF) were calculated to obtain facies distribution models in reservoir. Principal Component Analysis (PCA) was used to reduce the data dimensionality. 7 prestack attributes has been used in this research lead to produce a large volume of data some of them might be useless. So it is necessary to get rid of redundant and noisy data which may not help us to reach our goal. PCA as a multivariable analysis method is used to eliminate redundant data and therefore reducing the volume of data. We applied PCA on obtained prestack attributes and extract 7 principal components (PCs). The drived PCs are orthonormal and independent. Each PC shows the variability of data in a specific dimension. By using PCA the main trends in data may be recognized. According to eigenvalue of PCs it is possible to ignore those which has less variability. We ignored the PCs with the eigenvalue less than 1 and therefore reducing the data dimensionality. Only 2 PCs were selected and so a 7 dimension coordinate system is transformed to a 2 dimension coordinate system. After applying PCA we used a supervised classification algorithm through an artificial neural network created by selected PCs as inputs and traind by lithology logs from a well to estimate the lithology distribution models in a reservoir. Keywords: simultaneous pre-stack inversion, seismic attributes, principal component attribute
