عنوان پایان‌نامه

مدل سازی سه بعدی واحدهای جینه نگاری سکانسی و بررسی کیفیت مخزنی سازندهای دالان و کنگان (خوف) در میدان نفتی سلمان



    دانشجو در تاریخ ۲۹ شهریور ۱۳۹۵ ، به راهنمایی ، پایان نامه با عنوان "مدل سازی سه بعدی واحدهای جینه نگاری سکانسی و بررسی کیفیت مخزنی سازندهای دالان و کنگان (خوف) در میدان نفتی سلمان" را دفاع نموده است.


    رشته تحصیلی
    زمین شناسی - نفت
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه پردیس علوم شماره ثبت: 6319;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76324;کتابخانه پردیس علوم شماره ثبت: 6319;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76324
    تاریخ دفاع
    ۲۹ شهریور ۱۳۹۵
    دانشجو
    آزاد نصرتی
    استاد راهنما
    عبدالحسین امینی
    چکیده
    لینک فایل چکیده
    توالی کربناته-تبخیری کنگان و دالان در یک رمپ کربناته کم عمق نهشته شده اند. در این مطالعه سعی شد برای این توالی با استفاده از داده لرزه ای سه بعدی و اطلاعات پنج چاه (داده سرسازندها، نگارهای چاه پیمایی، نتایج ارزیابی پتروفیرکی، مقاطع نازک میکروسکوپی، اطلاعات آنالیز مغزه)، مدل سازی پارامترهای کیفت مخزی در چارچوب چینه نگاری سکانسی انجام گیرد و همچنین با استفاده از شبکه عصبی مصنوعی و نشان گرهای لرزه ای، تخلخل موثر، اشباع آب و لیتولوژی های غالب این میدان در طول خطوط لرزه ای تخمین زده شود. ابتدا، چهار سکانس رده سوم، که بخش های از سازند خوف با سن پرمین تریاس می باشند، شناسایی شده اند. سپس مدل سه بعدی واحدهای چینه نگاری سکانسی با استفاده از داده لرزه ای سه بعدی و ارتباط آن ها با داده های چاه ساخته شده است. نتیجه مدل سازی پارامترهای مخزنی در این واحدها نشان می دهد که عمدتا در انتهای بسته های رسوبی تراز بالا و قسمت های ابتدایی بسته های رسوبی پیشرونده کیفیت مخزنی بالا می باشد. مناطق با کیفیت مخزنی خوب منطبق است با گسترش رخساره های شول با فابریک سنگی دانه پشتیبان. در ابتدای بسته های رسوبی تراز بالا و انتهای بسته های رسوبی پیشرونده کیفیت مخزنی پایین می باشد که رخساره های سوپراتایدال، لاگون و سابخایی با سطح انرژی پایین و گسترش انیدریت و فابریک سنگی گل پشتیبان در آن-ها توسعه یافته اند. مرحله دیگر این پروژه بر تخمین لیتولوژی، تخلخل موثر واشباع آب مخزن با استفاده از داده لرزه ای سه بعدی تمرکز دارد. برای این منظور ابتدا با وارون سازی لرزه ای پس از بر انبارش، مدل امپدانس صوتی زمین بازسازی شده و سپس نشان گرهای لرزه ای که بیشترین ارتباط را با پارامترهای مورد نظر داشتند استخراج گردیده و به عنوان ورودی شبکه عصبی مصنوعی احتمالی مورد استفاده قرار گرفتند. نتایج تخمین در این میدان نشان می دهد که واحدهای K1, K2, K4 و بخش بالایی K3 دارای تخلخل بالا و اشباع آب پایین هستند و تخمین لیتولوژی در این مناطق میزان بالای دولومیت و میزان پایین انیدریت را نشان می دهد. واحد های , K5 بخش پایینی K3 و نار تخلخل پایین و اشباع آب بیشتری را نشان می دهند که در واحدهای نار و K3 مقدار انیدریت و در واحد K5 کلسیت افزایش می یابد. مقایسه نتایج تخمین پارامترها با استفاده از شبکه عصبی با مدل زمین آماری در این میدان نشان می دهد در مدل زمین آماری، جزئیات بیشتری قابل مشاهده است اما با فاصله گرفتن از چاه ها میزان صحت این مدل پایین می آید که دلیل آن کم بودن تعداد چاه ها می باشد. از طرف دیگر نتایج تخمین پارامترها با استفاده شبکه عصبی جزئیات کمتری را نشان می دهد اما چون در این روش از داده لرزه ای استفاده شده است، فضاهای بین چاهی بسیار بهتر بازسازی شده اند.
    Abstract
    Carbonate and evaporate succession of the Kangan and Dalan are deposited in a shallow water carbonate ramp. this study tries to build a property model in the framework of sequence stratigraphic units an also to use the artificial neural network and seismic attributes for estimating the effective porosity, water saturation, and the dominant lithology of the reservoir across the seismic lines by Using three-dimensional seismic data and five well data (well tops, well logs, petrophysical evaluation results, thin sections and core analysis data). At first four third-order sequences which represent a part of Permian–Triassic Khuff formation recognized, afterthat three dimensional model of sequences is built by using and linking seismic data with well data. Besides, models of porosity and water saturation are built in the framework of sequences. The results indicate that high reservoir quality mainly consist of grain-dominated rock fabric, which are associated with shoal facies developed in the Late TST and Early HST. This illustrates high energy conditions of transgressive sea-level rise. The supratidal, intertidal and lagoonal facies with presenting anhydrite and mud dominated rock fabrics are developed mainly in the Late HST, and Early TST indicating lower energy conditions. Another step of this project focused on Estimation of lithology, effective porosity, and water saturation by three-dimensional seismic data. At first, the acoustic impedance model is rebuilt by using post stack seismic inversion. Afterwards, the seismic attributes that were most relevant to the desired parameters are extracted and used as probabilistic neural network input. The results of the estimation in this field indicate that the K1, K2, K4 units and the upper section of K3 have a high porosity and low water saturation. Moreover, the estimation of lithology in these areas reveals high amount of dolomites and low amount of anhydrite. The K5 units, the lower section of K3, and Nar units represent lower porosity and higher water saturation. In addition, the amount of anhydrite in Nar and K3 units along with the amount of calcite in K5 units are increased. Result comparisons of neural network method with geostatic model indicate that second method have a better and detailed results, but by increasing distance from wells, this method cannot have a high curacy, cause this number of wells are not enough. Another side Estimation of parameters by three-dimensional seismic data and neural network cannot have a detailed result but it have a better results between well spaces.Key words:sequence stratigraphy,reservoir quality, artificial neural network, seismic attributes, seismic inversion.