عنوان پایان‌نامه
شناسایی نوع سنگ از نظر لیتولوژیکی در سریهای نفتی با رویکرد ترکیب اطلاعات در یکی از میادین نفتی ایران
- رشته تحصیلی
- مهندسی معدن-اکتشاف معدن
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 2477;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 60001
- تاریخ دفاع
- ۱۲ شهریور ۱۳۹۲
- دانشجو
- ساره صدیق
- استاد راهنما
- حسین معماریان
- چکیده
- ارزیابی صحیح مخزن و مدل‌سازی مناسب پارامتر‌های آن نقش بسیار مهمی در شبیه‌سازی و مدیریت مخزن ایفا می‌کند. تخمین سنگ‌شناسی مخزن، تعیین گونه‌های سنگی و تشخیص ناهمگونی¬های جانبی آن اولین و مهم‌ترین گام در توصیف مخزن و تهیه‌ی مدل زمین‌شناسی آن است. تعیین مستقیم لیتولوژی و نوع سنگ مخزن تنها در معدودی از چاه‌هایی که دارای مغزه هستند امکان پذیر می‌باشد. متاسفانه، به دلیل مسائل اقتصادی و فنی، امکان مغزه‌گیری و آزمایش مغزه‌ها در تمامی چاه‌های یک میدان و یا حتی به‌طور کامل در طول یک چاه میسر نیست، درصورتی که تقریبا تمامی چاه‌های نفتی دارای چاهنمودارهای پتروفیزیکی هستند. هدف این پایان‌نامه ارایه‌ی رویکرد جدیدی جهت تعیین لیتولوژی‌های مخزنی در راستای چاه، به کمک داده‌های چاهنمودارهای پتروفیزیکی و با استفاده از روش‌های هوشمند است. وجود ناهمگنی لیتولوژیکی در راستای یک چاه امری طبیعی است؛ و در صورتی که این ناهمگنی‌ها در نظر گرفته نشوند، روش‌های تخمین با خطای زیادی روبه‌رو خواهند شد. در رویکرد جدید برای کنترل ناهمگنی در راستای قائم، ابتدا نسبت به زون‌بندی چاه‌ها به بخش‌های همگن از نظر لیتولوژیکی، اقدام شده است. به این منظور از روش خوشه‌بندی گوستاوسون کسل استفاده شده است. سپس در بخش‌های همگن درصد هر یک از کانی‌های مخزنی توسط روش تخمین شبکه‌ی چند لایه‌ی پرسپترون (MLP) تخمین زده شده است. میدان نفتی مورد مطالعه در جنوب ایران قرار داشته و مطالعات بر روی شش چاه آن انجام شده است. برای بررسی میزان عملکرد الگوریتم پیشنهادی در ابتدا تخمین درصد کانی‌های مخزنی بدون اعمال خوشه‌بندی انجام شد و سپس نتایج آن با مقادیر تخمینی همراه با خوشه‌بندی، مقایسه شد. به عنوان مثال در چاه شماره ی سه قبل از اعمال خوشه‌بندی تخمین کلسیت و دولومیت به ترتیب با دقت 82% و 77% بوده و پس از اعمال خوشه‌بندی به 92% و 95% افزایش یافت. بررسی حاضر نشان داد که با اعمال خوشه‌بندی بر روی داده‌ها، دقت تخمین‌ها به طور میانگین حدود 10% بیشتر می شود. همچنین این الگوریتم قابلیت تعمیم داشته و در موارد آزمایش شده دارای صحت بالاتر از 50% است و می‌توان انتظار داشت که بتوان از این روش در چاه‌های فاقد مغزه استفاده نمود و تخمین را با دقت بالایی انجام داد. در ادامه این بررسی و برای کاهش این خطا از روش‌های ترکیب اطلاعات استفاده شد. به این ترتیب، با ترکیب روش‌های گوناگون تخمین، مانند تخمین‌گر‌های MLP و لولیموت، خطای محاسبات به کمترین مقدار ممکن رسید. کلید‌واژه‌ها: تخمین، ترکیب اطلاعات، خوشه‌بندی، لیتولوژی، مخزن کربناته، ایران.
- Abstract
- Accurate reservoir evaluation and properly modeling of its features have an important effect on reservoir simulation and management. Petrographical estimation, rock type determination and lateral heterogeneity recognition are the first step for reservoir description and founding its geological model. Basically, direct measurement of lithological rock type is only carried out in wells which have core samples. Unfortunately due to economic and technical problems there coring and core tests do not exist for all wells, or even in all depths of one well. As the conventional petrophysical well logs are available in majority of wells, the main purpose of this research is proposing a new approach to determine lithologies using well logs and intelligent methods. Lithological heterogeneity through the drilled wells is common. Hence, if this heterogeneity is not taken into account, estimations will be faced with errors. To eliminate this deficiency the studied wells divided into distinct lithology zones based on the vertical heterogeneity. This step has been carried out by Gustafson-Kessel clustering method. Afterward, Multi-Layer Perceptron (MLP) method has been applied to estimate the mineral percentages of each homogeneous section. To validate proposed algorithm, which applied on six wells of an Iranian oil field, percentages of minerals were estimated first by and then without clustering technique and the results were compared. As an example, in well No. 3, the correlation coefficients of calcite and dolomite percentages estimation were 82% and 77% respectively before clustering, which increased to 92% and 95% after clustering. In general, the results showed that clustering can increase the estimation accuracy about 10%. Considering more than 50% accuracy in results, suggested method has the potential of generalization in wells without core samples. Finally, to modify errors as much as possible, results of several estimation methods, such as MLP and LOLIMOT have been fused together by data fusion methods. Keywords: Estimation, Data fusion, Clustering, Lithology, Carbonate reservoir, Iran.
