عنوان پایان‌نامه
تعیین واحدهای جریانی هیدرولیکی والکتریکی با استفاده از تلفیق داده های پتروفیزیکی داده های لاک ونتایج بر گردان لرزه ای در یکی از میدان های آب عمیق حوضه ی خزر
- رشته تحصیلی
- زمین شناسی - نفت
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس علوم شماره ثبت: 4987;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 57174
- تاریخ دفاع
- ۲۷ دی ۱۳۹۱
- دانشجو
- سعید یارمحمدی
- استاد راهنما
- حسین رحیم پوربناب
- چکیده
- بررسی خصوصیات پتروفیزیکی در مخازن ماسه سنگی با رویکرد تعیین واحد های جریان هیدرولیکی از دیرباز به عنوان روشی مفید جهت زون بندی مخزن استفاده شده است. از طرف دیگر تعیین ویژگی های الکتریکی مخزن تحت عنوان واحد های جریانی الکتریکی از روش های نوینی است که اخیراٌ در مطالعات پتروفیزیکی مورد استفاده قرار گرفته است. تعیین دقیق واحد های جریان الکتریکی مستلزم در نظر گرفتن شاخص های زون جریان الکتریکی است که با فاکتور سازندی و در نهایت پارامتر¬های آرچی از جمله توان سیمانی شدن و فاکتور پیچاپیچی ارتباط مستقیم دارد. از کاربردهای دیگر تعیین پارامتر¬های آرچی بدست آوردن میزان آب اشباع شدگی مخزن و برآورد ذخیره میدان می باشد. این مطالعه بر روی داده های سازند بالاخانی VIII در میدان نفت و گاز شاه¬دنیز انجام شده است. ساختار شاه نیز در قسمت آذربایجانی حوضه ی خزر جنوبی واقع شده است. در این مطالعه، ابتدا واحد های جریانی هیدرولیکی از طریق تعیین شاخص جریان، و روش هوشمند و آنالیز تصاویر مقاطع بدست آمده است. در ادامه مطالعه، به تعیین دقیق پارامتر های آرچی m و a پرداخته شده تا بدین وسیله فاکتور سازندی F بدست آمده در تعیین شاخص های جریان الکتریکی و زون بندی مخزن با استفاده از تعیین واحد¬های جریانی الکتریکی بکار برده شود. علاوه بر این، داده های پیش بینی شده به عنوان ورودی های آنالیز های چند نشانگری برای یافتن روابط خطی و غیر خطی بین نشانگر های لرزه ای و مقادیر CZI و FZI بکار گرفته شده است. وارون سازی لرزه ای با استفاده از الگوریتم بر پایه مدل که در این مطالعه مابین دیگر الگوریتم های وارون سازی بالاترین دقت را دارا بود، صورت گرفت و مقاطع لرزه ای امپدانس صوتی حاصل به عنوان نشانگر لرزه ای خارجی بکار گرفته شد. تعداد بهینه نشانگرهای لرزه ای برای تخمین مقادیر CZI و FZI با استفاده از روش رگرسیون مرحله ای تعیین گردید. امپدانس صوتی بالاترین رابطه را با مقادیر شاخص های جریان نشان داده و به عنوان بهترین نشانگر لرزه ای انتخاب شد. سپس برای هر یک از میادین یک شبکه عصبی احتمالاتی (PNN) با استفاده از نشانگرهای لرزه ای بهینه طراحی گردید. شبکه عصبی احتمالی آموزش داده شد تا با استفاده از مجموعه نشانگر¬های بدست آمده کیفیت برازش را افزایش دهد. در اخرین گام از این مطالعه خوشه بندی فازی FCM بر روی مدل FZI اعمال شده است تا مدل را به زون های HFU تفکیک کند. نتایج نشان داده شده بیانگر آن است که واحد های جریانی هیدرولیکی که با متد های مختلف به دست آمده است، تطابق خوبی با واحد های جریان الکتریکی دارد و رویکرد تعیین واحد های جریانی الکتریکی که با استفاده از پارامتر آرچی به دست می آید روش مناسب در زون بندی مخازن ماسه سنگی است. نتایج می تواند در توصیف ویژگی های مخزن در طول خط لرزه ای برای یافتن زون های با محتوای هیدروکربنی بالا استفاده شود از این طریق می توان در آینده هزینه های حفاری ها را کاهش داد.
- Abstract
- Identification of petrophysical characteristics in the sandstone reservoirs, with Hydraulic Flow Unit (HFU) procedure has long been used as a useful method for zonations. Furthermore, determination of reservoir electrical characteristics as Electrical Flow Units (EFU) is one of new methods that have been used recently. Precise determination of EFU needs to consider Current Zone Indicators (CZI). CZI straightly relates to Formation factor (F) and Archie’s parameters as Cementation exponent (m) and tortuosity factor (a). Other application of these parameters is calculation of Water Saturation (Sw) and reservoir capacity. Present study was applied on Balakhani VIII reservoir data. Balakhani VIII Formation is a sandstone reservoir of Shah Deniz gas and oil field. The Shah Deniz structure is located in the Azerbaian sector of the South Caspian Sea. In this study, HFUs first were achieved from Flow Zone Indicators (FZI), intelligence systems and petrographical image analysis. Archie’s parameters (a) and (m) then were determined and used to calculate the formation factor (F). F was applied for determination of CZI and zoning of reservoir with EFU approach. In addition, predicted data were utilized as the inputs of multiattribute analyses to derive linear and nonlinear relationships between seismic attributes and FZI or CZI values. Model-based inversion was performed because of its high accuracy among other inversion algorithms and the resulted acoustic impedance sections were utilized as the external seismic attribute. Optimal seismic attributes in CZI or FZI prediction were determined by step-wise regression method. Acoustic impedance showed the highest correlation with the zone indicator values. Then, a Probabilistic Neural Network (PNN) was trained using the same set of predicting attributes derived from multiple regressions to improve the quality of fit. In the last step of this study, a Fuzzy C-Means (FCM) clustering algorithm was applied on FZI model for zonation of the flow units. Results of this study demonstrate that hydraulic flow unit from different methods have an appropriate correlation with electrical flow units from accurate Archei’s parameters. Therefore, determination of electrical flow units is an applied method in the zoning of sandy reservoirs. The results can be used to distinguish characteristic reservoir rock interval along the seismic line and could be used to determine places with high hydrocarbon content. It will help a lot in sandstones reservoir rock evaluations and decrease well drilling costs.
